文献类型：期刊文章

作　　者：周建民[1] 王发令[1] 张臣臣[1] 张龙[1] 尹文豪[1] 李鹏[1]

ZHOU Jianmin;WANG Faling;ZHANG Chenchen;ZHANG Long;YIN Wenhao;LI Peng(Key Laboratory of Ministry of Education for Conveyance and Equipment,East China Jiaotong University,Nanchang 330013,China)

机构地区：[1]华东交通大学载运工具与装备教育部重点实验室,南昌330013

出　　处：《振动与冲击》

基　　金：国家自然科学基金(51865010,51665013)。

年　　份：2021

卷　　号：40

期　　号：4

起止页码：227-234

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对滚动轴承等旋转机械设备零部件的退化状态识别问题,研究并提出一种基于支持向量机(support vector machine,SVM)的智能评估方法。对于在线持续输出的轴承振动信号,采用时域方法和集成经验模态分解(ensemble empirical mode decomposition,EEMD)能量熵提取轴承特征,并基于相关性、单调性和鲁棒性进行特征选择。综合考虑三个指标,计算选择准则,得到最终的退化特征。针对SVM参数选择困难问题,使用遗传算法(genetic algorithm,GA)优化SVM参数,确定参数最优值。定义轴承性能退化指标,用三种不同故障类型的轴承数据训练模型。分别输入不同故障的轴承全寿命周期数据,得到轴承故障的类型和性能退化曲线,确定早期故障点,并对方法进行对比和验证。实验表明,模型故障诊断平均准确率为97.69%,性能退化评估曲线结果准确,早期故障检测能力强。

关 键 词：滚动轴承 性能退化评估  集成经验模态分解(EEMD)  特征选择  遗传算法(GA)  支持向量机(SVM)  

分 类 号：TH133] TH165.3