基于EEMD和SVM的滚动轴承退化状态识别

作者：魏永合; 王明华

来源：计算机集成制造系统, 2015, (09): 2475-2483.

DOI：10.13196/j.cims.2015.09.024

• 集合经验模态分解
• 遗传算法
• 支持向量机
• 滚动轴承
• 退化状态
• 故障诊断 ensemble empirical mode decomposition
• genetic algorithms
• support vector machine
• rolling bearing
• degradation state
• fault diagnosis

为准确识别滚动轴承退化状态,提出一种集合经验模态分解和支持向量机相结合进行滚动轴承的退化状态识别方法。采用集合经验模态分解对原始信号进行分解、降噪、信号重构和故障类型诊断,通过遗传算法和支持向量机优化提取状态识别特征,利用滚动轴承退化状态概率分布以及历史剩余寿命来确定其最优退化状态数目,以建立退化状态识别模型。从不同退化状态的测试数据中提取出经过遗传算法优化删选后的特征向量,将其输入用遗传算法进行参数优化的支持向量机中进行退化状态的识别分类。实验结果表明,该方法可以实现滚动轴承退化状态的准确识别。

• 出版日期2015
• 单位沈阳理工大学