WPT、PCA与SVM结合的滚动轴承故障程度诊断

作者：王帅星; 黄茜; 王晓笋; 巫世晶

来源：机械设计与制造, 2022, (04): 5-9.

DOI：10.19356/j.cnki.1001-3997.20211111.024

• 故障程度
• 小波包变换
• 主成分分析
• 支持向量机

针对滚动轴承故障诊断存在的故障程度难以区分、早期故障不易发现、故障诊断精度低等问题，这里提出了一种基于小波包变换（Wavelet Packet Transform,WPT）、主成分分析（Principal Component Analysis,PCA）与支持向量机（Support Vector Machine,SVM）相结合的滚动轴承故障程度诊断方法。该方法首先对原始信号进行小波包分解，然后对分解后的信号进行重构，计算重构信号能量作为特征值；随后，运用主成分分析对特征向量进行降维，将降维后的特征输入支持向量机，完成故障模型的训练与测试。这里主要分析了累计贡献率、小波包分解层数、母小波类型对故障诊断成功率的影响。实验结果表明此方法可以有效地识别不同故障位置的故障程度。

• 单位
  武汉大学