基于PCA-SVM的滚动轴承故障诊断研究

被引：29

作者：

张沛朋

郭飞燕

机构：

[1] 济源职业技术学院艺术设计系

来源：

组合机床与自动化加工技术 | 2015年 / 11期

关键词：

轴承故障诊断; 时域指标; 主成分分析; 支持向量机;

D O I：

10.13462/j.cnki.mmtamt.2015.11.025

中图分类号：

TH133.33 [滚动轴承]; TH165.3 [];

学科分类号：

082805 [农业机械化与装备工程];

摘要：

针对滚动轴承振动信号的时域指标之间存在很强的关联性,冗余信息较多,采用主成分分析结合支持向量机实现了滚动轴承故障的准确诊断。首先在故障模拟试验台测量振动信号,然后提取振动信号的12个时域特征,对12个基本时域特征进行主成分分析,提取累计贡献率≥95的特征值信息作为主成分。最后将提取的精简特征作为支持向量机的输入,实现对不同轴承故障的分类识别。实验结果证明针对四种轴承状态,识别率达到90%,提出的结合PCA-SVM是一种有效的滚动轴承故障诊断方法。

引用

页码：88 / 90

页数：3

共 9 条

[1]

Support vector machine in machine condition monitoring and fault diagnosis [J].

Widodo, Achmad ;

Yang, Bo-Suk .

MECHANICAL SYSTEMS AND SIGNAL PROCESSING, 2007, 21 (06) :2560-2574

[2]

A review on machinery diagnostics and prognostics implementing condition-based maintenance.[J].Andrew K.S. Jardine;Daming Lin;Dragan Banjevic.Mechanical Systems and Signal Processing.2005, 7

[3]

基于PSO-BP神经网络和Hilbert谱奇异值的滚动轴承故障诊断 [J].