噪声与振动控制

噪声与振动控制 ›› 2022, Vol. 42 ›› Issue (1): 144-149.

• 信号处理与故障诊断 • 上一篇    下一篇

基于WELCH算法集成学习模型的滚动轴承故障诊断#br#

张龙，周俊
  


  • 收稿日期:2021-03-18 修回日期:2021-04-16 出版日期:2022-02-18 发布日期:2022-02-24

Rolling Bearing Fault Diagnosis Based on Ensemble Learning Model with WELCH Algorithm#br#

#br#   

  • Received:2021-03-18 Revised:2021-04-16 Online:2022-02-18 Published:2022-02-24

PDF

摘要： 针对滚动轴承振动信号具有非平稳性、非线性且易受背景噪声干扰，故障特征难以提取等问题，提出一种基于WELCH功率谱算法的集成学习模型的故障诊断方法。首先使用WELCH算法对轴承的原始振动信号进行预处理，从中提取峭度、偏度、波形因子、峰值因子、脉冲因子和裕度因子6 个参数，作为支持向量机的特征向量；然后结合集成学习算法构造Bagging-SVM集成学习模型。实验结果表明，与单一的SVM分类器相比较，Bagging-SVM 集成模型对于轴承的故障诊断性能更优；在不同电机转速下的轴承故障诊断中，诊断率分别为97 %，98 %，98 %和99.5 %；说明了该集成模型在不同工况下的适用性强，诊断性能优秀。

关键词: 故障诊断, WELCH算法, 集成学习, 支持向量机, 滚动轴承