噪声与振动控制 ›› 2022, Vol. 42 ›› Issue (3): 92-97.

• 信号处理与故障诊断 • 上一篇    下一篇

K-VMD融合包络熵与SVM滚动轴承故障识别方法研究

刘强赵荣珍杨泽本   

  1. ( 兰州理工大学机电工程学院,兰州730050 )
  • 收稿日期:2021-05-13 修回日期:2021-06-25 出版日期:2022-06-18 发布日期:2022-06-28

Research of Fault Recognition Method of Rolling Bearings Based on K-VMD Envelope Entropy and SVM

  • Received:2021-05-13 Revised:2021-06-25 Online:2022-06-18 Published:2022-06-28

摘要: 针对滚动轴承振动信号非平稳、非线性导致的故障特征难以提取和类别难以辨识问题,提出一种基于能量占比优化变分模态分解(Variational Mode Decomposition,VMD)并融合包络熵与支持向量机(Support Vector Machine,SVM)的滚动轴承故障辨识方法。首先,设定VMD预分解层数K的范围,对振动信号进行分解;其次,分别计算出在不同K值下对应的各模态能量和,根据各模态能量之和与原始信号的能量之间的比值,确定最佳分解层数;然后,依据峭度准则筛选出有效的模态分量,同时计算其对应的包络熵值并组成特征向量;最后,将所构建的特征向量输入SVM中进行轴承故障类别的辨识。通过对转子综合实验台所采集的滚动轴承信号进行分析,结果表明,该方法可以对滚动轴承故障进行准确的辨别,为提高故障辨识准确率提供了一种新途径。

关键词: 故障诊断, 变分模态分解, 能量占比, 包络熵, 支持向量机, 峭度准则