Noise and Vibration Control ›› 2022, Vol. 42 ›› Issue (1): 144-149.

Previous Articles     Next Articles

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

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
  


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