基于内积延拓 LMD 及 SVM的轴承故障诊断方法研究

摘要：

针对特征提取中局域均值分解（Local Mean Decomposition，LMD）存在端点效应缺陷及模式识别中人工神经网络（Artificial Neural Network，ANN）存在收敛速度慢、过学习等不足，提出基于内积延拓 LMD 及支持向量机（Support Vector Machine，SVM）的轴承故障诊断方法。利用内积延拓 LMD 方法对信号延拓分解抑制 LMD 端点效应；利用分解的可描述信号特性主分量 PF（Product Function）构建初始特征向量矩阵；用 SVD（Singular Value Decomposition）方法对初始特征向量矩阵进行奇异值分解，获得信号特征参数作为 SVM的输入进行训练；对训练的 SVM进行测试及模式分类。通过实际轴承故障信号分析及故障类型分类表明，该方法不仅能抑制 LMD 端点效应缺陷，且在故障模式识别中能有效避免ANN 网络结构难确定、收敛速度慢等不足，能较好实现轴承故障准确分类，可用于轴承故障诊断。

关键词：内积延拓局域均值分解、奇异值分解、支持向量机、滚动轴承、故障诊断

所属期刊栏目：35

分类号：TP391.9;TH113.1(计算技术、计算机技术)

资助基金：国家自然科学基金51505202；江苏省自然科学基金BK20140238；江苏省高校自然科学基金14KJB460014；江苏师范大学研究生科研创新计划重点项目2014YZD017；徐州市科技计划项目KC15SH054

在线出版日期：2016-05-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：104-108