基于VMD-SVM的滚动轴承退化状态识别
来源期刊：机械设计与制造2020年第1期
论文作者：吕明珠 苏晓明 刘世勋 陈长征
文章页码：96 - 100
关键词：变分模态分解(VMD);支持向量机(SVM);滚动轴承;退化状态识别;
摘 要：针对滚动轴承全寿命退化状态难以有效识别的问题,提出了一种基于变分模态分解（VMD）与支持向量机（SVM）相结合的滚动轴承退化状态识别方法。该方法先用包络熵确定VMD的最优分解层数,再根据峭度及相关系数准则选择VMD分解后的敏感本征模态分量（IMF）,然后提取敏感IMF分量的时域指标和能量熵构成退化特征向量序列,最后随机抽取不同退化状态下的少量样本输入SVM模型训练,建立退化状态模型库,并用真实数据进行测试。实验结果表明该方法能够准确识别出轴承的退化状态,通过与EMD-SVM、EEMD-SVM模型对比,验证了该方法的优越性。
吕明珠1,2，苏晓明1，刘世勋3，陈长征1
1. 沈阳工业大学机械工程学院2. 辽宁装备制造职业技术学院自控学院3. 中认(沈阳)北方实验室有限公司
摘 要：针对滚动轴承全寿命退化状态难以有效识别的问题,提出了一种基于变分模态分解（VMD）与支持向量机（SVM）相结合的滚动轴承退化状态识别方法。该方法先用包络熵确定VMD的最优分解层数,再根据峭度及相关系数准则选择VMD分解后的敏感本征模态分量（IMF）,然后提取敏感IMF分量的时域指标和能量熵构成退化特征向量序列,最后随机抽取不同退化状态下的少量样本输入SVM模型训练,建立退化状态模型库,并用真实数据进行测试。实验结果表明该方法能够准确识别出轴承的退化状态,通过与EMD-SVM、EEMD-SVM模型对比,验证了该方法的优越性。
关键词：变分模态分解(VMD);支持向量机(SVM);滚动轴承;退化状态识别;
