基于灰色支持向量机模型的滚动轴承故障诊断与-北京工业大学学报.PDFVIP

第41卷 第11期 北 京 工 业 大 学 学 报 Vol.41 No.11 2015年 11月 JOURNAL OF BEIJING UNIVERSITY OFTECHNOLOGY Nov. 2015 基于灰色支持向量机模型的滚动轴承故障 诊断与预测方法 王建华,亢太体,刘志峰,赵成斌,谷力超 (北京工业大学 机械工程与应用电子学院,北京摇 100124) 摘摇 要:提出基于GM(1,1)鄄SVM的滚动轴承故障诊断及预测方法. 首先,提取滚动轴承各类故障和正常状态下振动 信号的时域及频域特征值,然后,选取重要特征参数建立预测模型,进行特征值预测;最后,使用轴承各类故障特征值 和正常状态特征值训练二叉树支持向量机,构造滚动轴承决策树,判别故障,实现对故障类型的分类,从而达到对轴 承故障诊断,并通过预测值与支持向量机实现故障预测的目的,突破传统算法不能有效预测轴承故障的局限性. 关键词:滚动轴承;灰色模型;支持向量机;故障诊断;故障预测 中图分类号:TH17 文献标志码:A 文章编号:0254-0037(2015)11-1693-06 doi:10.11936/ bjutxb2015050114 Fault Diagnosis and Prediction of Rolling Bearing Based on the Grey Support Vector Machine Model WANGJian鄄hua,KANGTai鄄ti,LIU Zhi鄄feng,ZHAO Cheng鄄bin,GU Li鄄chao (College of Mechanical Engineering and Applied Electronics,Beijing University of Technology,Beijing 100124,China) Abstract:The paper put forward a method based on GM(1,1)鄄SVM for rolling bearing fault prediction and diagnosis. Firstly,time and frequency domain feature values of vibration signal of rolling bearing under allkindsoffaultandnormalconditionwereextracted. Thentheimportantcharacteristicparameters were collectedtobuildthepredict model. Lastly,fault andnormal condition eigenvaluewasusedtotrain binary tree support vector machine and to construct the decision tree to classify the fault type. Thus the bearing fault diagnosis and the fault prediction through the predicted values and the support vector machine (SVM)were achieved. Key words:rolling bearing;grey model;support vector machine;fault diagnosis;fault prediction 摇 摇 滚动轴承是电力、石化、冶金、机械、航空航天以 起的后果轻则降低和失去系统的某些功能,重则造 及一些军事工业部门中使用最广泛的机械零件,也 成严重甚至是灾难性的后果. 所以滚动轴承的故障诊 是最易损伤的部件之一. 它具有效率高、摩擦阻力 断方法一直是机械故障诊断中重点发展