10.13465/j.cnki.jvs.2016.06.019
基于内积延拓 LMD 及 SVM的轴承故障诊断方法研究
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。
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
35
TP391.9;TH113.1(计算技术、计算机技术)
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
2016-05-17(万方平台首次上网日期,不代表论文的发表时间)
共5页
104-108