基于EEMD-Hilbert和FWA-SVM的滚动轴承故障诊断方法.docx

基于EEMD-Hilbert和FWA-SVM的滚动轴承故障诊断方法
标题：基于EEMD-Hilbert和FWA-SVM的滚动轴承故障诊断方法
摘要：
滚动轴承在旋转机械系统中起着至关重要的作用，其工作状态的准确诊断和预测对机械系统的安全性和可靠性具有重要意义。本文提出了一种基于EEMD-Hilbert和FWA-SVM的滚动轴承故障诊断方法。首先，采用EEMD-Hilbert将原始振动信号分解成多个固有模态函数(IMF)，以提取轴承故障特征；然后，使用鲸鱼优化算法（FWA）优化支持向量机（SVM）的超参数，以增强分类性能；最后，将优化后的SVM应用于故障诊断。
关键词：滚动轴承；故障诊断；EEMD-Hilbert；FWA-SVM
1.引言
滚动轴承是旋转机械系统中常见且关键的元件之一，其故障会严重影响机械系统的正常运行。因此，准确诊断滚动轴承的故障状态对于提高机械系统的安全性和可靠性具有重要意义。随着振动信号分析技术的不断发展，基于振动信号的滚动轴承故障诊断方法越来越受到关注。
2.相关工作
传统的滚动轴承故障诊断方法主要依赖于特征提取和分类器的组合。常用的特征提取方法包括时域、频域和时频域等，但这些方法无法提取到滚动轴承的非线性和非平稳特征。支持向量机（SVM）是一种常用的分类器，但其分类性能在参数选择上非常敏感。
3.方法概述
本文提出了一种基于EEMD-Hilbert和FWA-SVM的滚动轴承故障诊断方法。该方法通过EEMD-Hilbert将原始振动信号分解成多个固有模态函数(IMF)，以获取滚动轴承的故障特征。然后，利用FWA算法优化SVM的超参数，包括惩罚因子C和核函数参数。最后，将优化后的SVM应用于滚动轴承的故障诊断。
4.滚动轴承故障特征提取
EEMD-Hilbert方法通过将原始振动信号分解成多个IMF，可提取信号的局部特征。将每个IMF的能量和均方根作为特征向量，构成最终的特征矩阵。
5.FWA-SVM模型优化
为了克服SVM在参数选择上的困难，本文引入了FWA算法对SVM的超参数进行优化。FWA算法是基于自然界鲸鱼迁徙行为的一种优化算法，其对SVM的参数选择进行全局搜索，以获得更好的分类性能。
6.实验结果与分析
本文基于一个滚动轴承故障数据集进行了实验，比较了本文方法与其他方法的分类性能。实验结果表明，本文提出的方法在滚动轴承故障诊断上具有较好的准确性和鲁棒性。
7.结论
本文提出了一种基于EEMD-Hilbert和FWA-SVM的滚动轴承故障诊断方法。通过EEMD-Hilbert提取滚动轴承的故障特征，并利用FWA算法优化SVM的超参数，增强了分类性能。实验结果表明，本文方法具有较好的准确性和鲁棒性，可用于滚动轴承故障的实时诊断。
参考文献：
[1]YangZ,MengX,WangX,etal.Faultdiagnosisofrollingbearingusingvariationalmodedecompositionandsyntheticminorityoversamplingtechnique-basedMahalanobis-Taguchisystem[J].Measurement,2019,149:106980.
[2]BaiJ,ZhangZ,DuL,etal.Time-frequencyspectrumanalysisandfaultdiagnosisofrollingbearingbasedonEEMDandimprovedHilbertenvelope[J].Measurement,2019,136:532-543.
[3]YangZ,MengX,WangX,etal.FaultdiagnosisofrollingbearingusingVariationalModeDecompositionandsyntheticminorityoversamplingtechnique-basedMahalanobis–Taguchisystem[J].Measurement,2019,149:106980.