文献类型：期刊文章

作　　者：但长林[1] 李三雁[1] 张彬[2]

DAN Changlin;LI Sanyan;ZHANG Bin(School of Intelligent Manufacturing,Jincheng College of Sichuan University,Chengdu 611731,China;School of Advanced Manufacturing Engineering,Chongqing University of Posts and Telecommunications,Chongqing 400065,China)

机构地区：[1]四川大学锦城学院智能制造学院,四川成都611731 [2]重庆邮电大学先进制造工程学院,重庆400065

出　　处：《中国测试》

基　　金：重庆市教育委员会科学技术研究项目(KJ1704109)。

年　　份：2020

卷　　号：46

期　　号：11

起止页码：37-42

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、IC、JST、UPD、ZGKJHX、核心刊

摘　　要：滚动轴承状态监测信号一般表现出复杂的非平稳、非线性,从而需要研究非平稳信号分析与非线性特征提取的故障诊断方法。为此,该文研究一种基于振动信号分解样本熵特征和SVM分类器的滚动轴承故障诊断方法。首先,通过改进的自适应白噪声完备集合经验模态分解(ICEEMDAN)算法将原始振动信号分解成一系列的本征模态函数;然后,将本征模态函数重构到相空间,分析提取样本熵特征以描述滚动轴承的运行状态;最后,构建和训练SVM多分类器以实现滚动轴承正常、故障状态的智能诊断。滚动轴承故障模拟实验台的案例研究结果表明,基于样本熵和SVM可以较准确地进行滚动轴承不同故障模式、不同故障尺寸的诊断。

关 键 词：滚动轴承 故障诊断 样本熵  SVM 状态监测  

分 类 号：TH17]