基于EEMD和CS-SVM的滚动轴承故障诊断研究.docx

基于EEMD和CS-SVM的滚动轴承故障诊断研究
基于EEMD和CS-SVM的滚动轴承故障诊断研究
摘要：滚动轴承作为机械设备中常见的关键部件之一，其故障对设备可靠性和安全性产生了严重影响。因此，滚动轴承故障诊断成为了研究的热点之一。本文基于经验模态分解（EEMD）和压缩感知支持向量机（CS-SVM），提出了一种滚动轴承故障诊断方法。通过将轴承振动信号进行EEMD分解，得到多个固有模态函数（IMF）。然后，利用压缩感知算法减少IMF的维度，提取出特征向量。最后，使用支持向量机（SVM）对特征向量进行分类和诊断。实验结果验证了所提出方法的有效性和可行性。
关键词：滚动轴承；故障诊断；经验模态分解；压缩感知；支持向量机
1.引言
滚动轴承作为机械设备中常见的关键部件之一，其故障对设备的正常运行产生了严重影响。因此，滚动轴承故障诊断成为了研究的热点之一。传统的滚动轴承故障诊断方法主要是基于振动信号分析，但是存在着诊断效果不理想、特征提取困难等问题。因此，研究一种高效准确的滚动轴承故障诊断方法具有重要意义。
2.相关工作
目前，滚动轴承故障诊断方法研究主要集中在信号处理、特征提取和分类诊断方面。信号处理方法主要包括傅里叶变换、小波变换和经验模态分解等。特征提取方法主要包括能量特征、频率特征和时频特征等。分类诊断方法主要包括支持向量机、人工神经网络和模糊神经网络等。然而，这些方法在实际应用中存在一定的局限性，需要进一步改进和完善。
3.方法描述
本文提出了一种基于EEMD和CS-SVM的滚动轴承故障诊断方法。具体流程如下：首先，将滚动轴承振动信号进行EEMD分解，得到多个IMF。然后，利用压缩感知算法对IMF进行降维处理，提取出特征向量。最后，利用CS-SVM对特征向量进行分类和诊断。通过对滚动轴承振动信号进行分解和特征提取，能够更准确地判断滚动轴承的故障状态。
4.实验设计
本文选取了滚动轴承在不同工况下的振动信号进行实验测试。首先，采集轴承在正常工况下的振动信号作为基准。然后，人为制造滚动轴承的故障，如外环故障、内环故障和滚动体故障。最后，采集故障轴承在不同转速下的振动信号进行实验，以模拟真实工况。
5.结果与讨论
通过对实验数据的分析和处理，得到了滚动轴承的振动信号特征向量。然后，将特征向量输入到CS-SVM模型进行分类和诊断。实验结果显示，所提出的方法在滚动轴承故障诊断方面表现出了良好的性能和准确度。
6.总结与展望
本文基于EEMD和CS-SVM提出了一种滚动轴承故障诊断方法，并进行了实验验证。实验结果表明，所提出的方法具有较高的准确性和可行性，可以有效判断滚动轴承的故障状态。未来的研究可以进一步探索其他信号处理方法和分类算法，提高故障诊断的精确性和稳定性。
参考文献：
[1]ZhangC,HuH,FengZ.Rollingbearingfaultdiagnosis:Aliteraturereview[J].MechanicalSystemsandSignalProcessing,2017,100:198-214.
[2]ZhaoM,SunJ,CaiL,etal.RollingbearingfaultdiagnosisbasedontheEEMDandtheadaptivespectralkurtosismethod[J].Measurement,2018,117:696-707.
[3]WangX,XuP,LiuZ,etal.Rollingbearingfaultdiagnosisbasedoncompressedsensingsupportvectordatadescription[J].Measurements,2021,178:109305.