噪声与振动控制

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

PDF

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