文献类型：期刊文章

作　　者：姚德臣[1,2] 杨建伟[1,2] 程晓卿[3] 王兴[4]

机构地区：[1]北京建筑大学机电与车辆工程学院 [2]北京建筑大学城市轨道交通车辆服役性能保障北京市重点实验室 [3]北京交通大学轨道交通控制与安全国家重点实验室 [4]太原科技大学计算机科学与技术学院

出　　处：《机械工程学报》

基　　金：国家自然科学基金(51605023);长城学者培养计划(CIT&TCD20150312);国家重点研发计划课题(2016YFB1200402);轨道交通控制与安全国家重点实验室自主课题(RCS2010ZZ002);建大英才培养计划课题资助项目

年　　份：2018

卷　　号：54

期　　号：9

起止页码：168-176

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对轴承振动信号的非线性、非平稳性,提出一种基于多尺度本征模态排列熵和模拟退火优化支持向量机(Simulated annealing-support vector machine,SA-SVM)的列车轴承故障诊断方法。该方法首先对获取的轴承振动信息进行小波降噪处理,接着通过集合经验模态分解(Ensemble empirical mode decompose,EEMD)将去噪信号分解成若干个平稳的本征模态函数(Intrinsic mode function,IMF),并提取多尺度本征模态排列熵作为SVM输入,在用样本训练SVM时,用SA对SVM的核函数进行优化,提高其分类准确率,最终实现智能化故障诊断。试验结果表明,基于多尺度本征模态排列熵和SA-SVM的列车轴承故障诊断方法能准确识别列车轴承故障类型,具有重要的实际工程应用价值。

关 键 词：EEMD  多尺度本征模态排列熵  SA-SVM  列车轴承  故障诊断

分 类 号：TH133.3]