VMD和OHEE的高速列车轮对轴承故障诊断

摘要：

针对高速列车轮对轴承故障特征信息微弱,无法进行有效识别等问题,提出一种变分模态分解(Variational mode decomposition,VMD)、参数优化Hurst指数特征值(Optimized Hurst exponent eigenvalue,OHEE)和支持向量机(Support vector machine,SVM)相结合的故障诊断方法.振动信号用于VMD分解来获得信号的多个本征模态函数(Intrinsic mode functions,IMFs),计算每一个IMF对应的OHEE.不同特征向量的内部聚集和类间分离状态被分析,训练和测试样本随机选取导入SVM学习,将该模型分别用于3类轴承故障识别.试验结果表明:OHEE在二维空间的分离效果优于VMD能量熵和奇异熵.OHEE对3种类型的轴承训练准确率分别为100％、100％、99％.而VMD熵特征的训练准确率只有89％,97％,97％.相对于熵特征而言,OHEE明显改善了对轴承不同故障的识别精度,说明了OHEE可以有效地用于高速列车轮对轴承故障诊断.

关键词：轮对轴承;变分模态分解;优化Hurst指数;支持向量机;故障诊断

所属期刊栏目：41

分类号：U266.2(机车工程)

资助基金：国家重点研发计划资助2017YFB1201103

在线出版日期：2021-09-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：54-59