科研之友
微信
新浪微博
Facebook
分享链接
摘要
由于现场条件限制，用于列车轴承故障诊断的故障数据样本量较少且多为不平衡数据集，为了及时准确地识别轴承故障，提出一种基于互补经验模态分解-支持向量机(Complementary ensemble empirical modal decomposition-support vector machine, CEEMD-SVM)的故障识别方法并将其用于轴承不平衡数据集识别。采用CCEMD分解信号，得到不同频率的本征模态函数(Intrinsic mode function, IMF)，对IMF分量进行相关性筛选处理后再重构，实现降噪处理。计算降噪后信号的时频域特征值以及能量，选取贡献度较大的特征值作为特征向量构成训练集和测试集，输入改进后的支持向量机分类器及AFSA-SVM分类器中进行学习和测试，分别在2个数据集中构造了小样本平衡和不平衡数据组进行了3组实验，用于测试该方法的鲁棒性和泛化性能。研究结果表明：在只含有单种类型故障时，CEEMD-AFSA-SVM的识别准确率能够达到100%。当有复合故障时，识别准确率达到99.8%，且在训练样本仅占10%时也能达到99%以上的识别精度，识别精度超过了深度学习网络。对不平衡样本集的平均识别精度达到99.3%，优于其他模型。研究成果为列车轴承故障识别提供一种简单有效的方法，可应用于列车故障智能诊断。
- 出版日期2023
- 单位中南大学
