基于多尺度本征模态排列熵和SA-SVM的轴承故障诊断研究

作者：姚德臣; 杨建伟; 程晓卿; 王兴

来源：机械工程学报, 2018, 54(09): 168-176.

• EEMD
• 多尺度本征模态排列熵
• SA-SVM
• 列车轴承
• 故障诊断

针对轴承振动信号的非线性、非平稳性,提出一种基于多尺度本征模态排列熵和模拟退火优化支持向量机(Simulated annealing-support vector machine,SA-SVM)的列车轴承故障诊断方法。该方法首先对获取的轴承振动信息进行小波降噪处理,接着通过集合经验模态分解(Ensemble empirical mode decompose,EEMD)将去噪信号分解成若干个平稳的本征模态函数(Intrinsic mode function,IMF),并提取多尺度本征模态排列熵作为SVM输入,在用样本训练SVM时,用SA对SVM的核函数进行优化,提高其分类准确率,最终实现智能化故障诊断。试验结果表明,基于多尺度本征模态排列熵和SA-SVM的列车轴承故障诊断方法能准确识别列车轴承故障类型,具有重要的实际工程应用价值。

• 单位
  北京建筑大学; 北京交通大学; 轨道交通控制与安全国家重点实验室; 太原科技大学