基于谐波小波包和SVM的滚动轴承故障诊断方法

被引:7
作者
徐涛
裴爱岭
刘勇
机构
[1] 沈阳航空航天大学自动化学院
关键词
故障诊断; 滚动轴承; 谐波小波包; 支持向量机;
D O I
暂无
中图分类号
TH133.33 [滚动轴承]; TH165.3 [];
学科分类号
摘要
针对滚动轴承故障诊断问题开展研究,设计了基于谐波小波包和支持向量机(SVM)的新型诊断方法。与传统的时频特征提取方法相比,谐波小波包具有盒状频谱和无限细分的优势。首先对滚动轴承的振动数据进行谐波小波包分解,利用各频段的小波分解系数计算特征能量,归一化之后作为特征向量,为设计的多类SVM模型提供训练样本和测试样本。利用SVM的非线性映射能力,将三个二分类器相组合设计了基于二叉树的多类SVM模型,实现了对滚动轴承的故障诊断。最后,利用Case Western Reserve University电气工程实验室的滚动轴承试验台的振动数据对设计的诊断方法进行了验证。结果表明,设计的诊断方法比传统的方法具有更高的准确率。
引用
收藏
页码:50 / 54
页数:5
相关论文
共 9 条
[1]   基于灰度熵多阈值分割和SVM的火焰图像状态识别 [J].
吴一全 ;
宋昱 ;
周怀春 .
中国电机工程学报, 2013, 33 (20) :66-73+13
[2]   基于谐波小波包和支持向量机的声发射源识别(英文) [J].
于金涛 ;
丁明理 ;
孟凡刚 ;
乔玉良 ;
王祁 .
Journal of Southeast University(English Edition), 2011, 27 (03) :300-304
[3]   基于经验模态分解和超球多类支持向量机的滚动轴承故障诊断方法 [J].
康守强 ;
王玉静 ;
杨广学 ;
宋立新 ;
VIMIKULOVICH .
中国电机工程学报, 2011, 31 (14) :96-102
[4]   基于谐波小波包和BP神经网络的滚动轴承声发射故障模式识别技术 [J].
赵元喜 ;
胥永刚 ;
高立新 ;
崔玲丽 .
振动与冲击, 2010, 29 (10) :162-165+257
[5]   基于多尺度线调频基稀疏信号分解的广义解调方法及其在滚动轴承故障诊断中的应用 [J].
任凌志 ;
于德介 ;
彭富强 .
中国电机工程学报, 2010, 30 (11) :102-108
[6]   最小二乘支持向量机构造的函数链接型神经网络在滚动轴承故障诊断中的应用 [J].
孙林 ;
杨世元 .
中国电机工程学报, 2010, 30 (08) :82-87
[7]   基于谐波小波分析的故障诊断方法研究 [J].
王志刚 ;
李友荣 ;
李方 .
振动与冲击, 2006, (02) :125-128+190
[8]  
振动信号的现代分析技术与应用[M]. 国防工业出版社 , 李舜酩, 2008
[9]  
Wavelet analysis of vibration,part 1: theory .2 Newland D E. Journal of Vibration and Acoustics . 1994