|
|
1.
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
噪声与振动控制
2022, 42 (3):
92-97.
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。
相关文章 |
多维度评价
|
|
