文献类型：期刊文章

作　　者：张龙[1] 宋成洋[1] 邹友军[1] 崔路瑶[1] 雷兵[1]

ZHANG Long;SONG Chengyang;ZOU Youjun;CUI Luyao;LEI Bing(East China Jiaotong University,School of Mechatronies&Vehicle Engineering,Nanchang 330013,China)

机构地区：[1]华东交通大学机电与车辆工程学院,南昌330013

出　　处：《机械设计与研究》

基　　金：国家肖然科学基金及(51665013);江西省自然科学基金(20161BAB216134,20171BAB216030)资助项目。

年　　份：2019

卷　　号：35

期　　号：6

起止页码：96-104

语　　种：中文

收录情况：BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：滚动轴承处于早期故障阶段时,故障冲击特征成分难以提取,为了从轴承故障振动信号中提取特征参数,对轴承故障振动信号进行变分模态分解(Variational Mode Decomposition,VMD),得到若干个本征模态分量(IMFs),计算各个IMF的能量熵与样本熵,并利用主成分分析方法(PCA)对其进行特征融合。最后利用粒子群算法(PSO)优化的支持向量机(SVM)对融合特征进行故障模式识别。轴承故障实验分析结果表明,所提方法能够有效实现滚动轴承故障诊断。

关 键 词：变分模态分解  样本熵  支持向量机 粒子群算法 故障诊断  

分 类 号：TH133.3]