文献类型：期刊文章

作　　者：史庆军[1] 郭晓振[1] 刘德胜[1]

Shi Qingjun;Guo Xiaozhen;Liu Desheng(College of Information and Electronic Technology,Jiamusi University,Jiamusi 154007,China)

机构地区：[1]佳木斯大学信息电子技术学院

出　　处：《电子测量与仪器学报》

基　　金：黑龙江省留学归国人员基金(LC2017027);佳木斯大学科技创新团队建设项目(CXTDPY-2016-3)资助

年　　份：2019

卷　　号：31

期　　号：10

起止页码：104-111

语　　种：中文

收录情况：BDHX、BDHX2017、CSCD、CSCD2019_2020、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为了准确地检测轴承故障,提出了基于经验模态分解(EMD)和局部均值分解(LMD)轴承振动信号相结合构成特征量矩阵的方法。首先对轴承振动信号进行EMD分解得到前三阶本征模态函数(IMF)分量的上下包络值矩阵的奇异值,通过LMD分解,得到各PF分量的能量炳和,然后将奇异值和能量爛融合成一个特征向量矩阵,最后用支持向量机多分类算法进行分类。经过实验仿真验证,滚动轴承滚珠、内圈和外圈故障识别的准确率为90%,与单一特征量作为支持向量机的诊断输入来比较,该方法能更加精准地识别出了轴承故障。

关 键 词：轴承故障 经验模态分解 能量爛  支持向量机

分 类 号：TP277]