基于小波包和支持向量机的滚动轴承故障模式识别

被引:8
作者
田野 [1 ]
陆爽 [2 ]
机构
[1] 长春工业大学机电工程学院
[2] 浙江师范大学高等技术学院
关键词
滚动轴承; 故障诊断; 小波包; 支持向量机; 模式识别;
D O I
暂无
中图分类号
TH133.33 [滚动轴承];
学科分类号
摘要
为了解决对故障轴承的特征提取和故障特征准确分类问题,提出了应用小波包变换和支持向量机相结合进行滚动轴承故障诊断的方法。小波包变换具有良好的时-频局部化特征,非常适于对瞬态或时变信号进行特征提取。而支持向量机可完成模式识别和非线性回归。利用上述原理根据轴承振动信号的频域变化特征,采用小波包变换对其提取频域能量特征向量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别。试验结果表明,支持向量机可以有效、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新的途径。
引用
收藏
页码:236 / 240
页数:5
相关论文
共 11 条
[1]   基于小波和径向基函数神经网络的滚动轴承故障模式识别 [J].
陆爽 ;
杨斌 ;
李萌 ;
张子达 .
农业工程学报, 2004, (06) :102-105
[2]   基于支持向量机的机械系统多故障分类方法 [J].
段江涛 ;
李凌均 ;
张周锁 ;
何正嘉 ;
符寒光 .
农业机械学报, 2004, (04) :144-147
[3]   基于时频分析的滚动轴承故障特征的研究 [J].
陆爽 ;
张子达 ;
李萌 .
矿山机械, 2004, (03) :66-68
[4]   基于径向基函数神经网络的滚动轴承故障模式的识别 [J].
陆爽 ;
张子达 ;
李萌 .
中国工程科学, 2004, (02) :56-60
[5]   小波包分解及其能量谱在发动机连杆轴承故障诊断中的应用 [J].
贺银芝 ;
沈松 ;
应怀樵 ;
刘正士 .
振动工程学报, 2001, (01) :76-79
[6]   关于统计学习理论与支持向量机 [J].
张学工 .
自动化学报, 2000, (01) :36-46
[7]   分形维数及其在滚动轴承故障诊断中的应用 [J].
吕志民 ;
徐金梧 ;
翟绪圣 .
机械工程学报, 1999, (02) :89-92
[8]  
陆爽.基于现代信号分析和神经网络的滚动轴承智能诊断技术研究[D].吉林大学,2004
[9]  
Christopher J.C. Burges.A Tutorial on Support Vector Machines for Pattern Recognition[J].Data Min. Knowl. Discov.,1998
[10]   SUPPORT-VECTOR NETWORKS [J].
CORTES, C ;
VAPNIK, V .
MACHINE LEARNING, 1995, 20 (03) :273-297