基于HHT和SVM的矿山轴承故障在线监测技术.docx

基于HHT和SVM的矿山轴承故障在线监测技术
基于HHT和SVM的矿山轴承故障在线监测技术
摘要：
随着矿山轴承故障引起的损失日益严重，轴承故障在线监测技术成为研究的重点。本文提出了一种基于Hilbert–Huang变换（HHT）和支持向量机（SVM）的矿山轴承故障在线监测技术。首先，采集轴承振动信号，并使用HHT对信号进行分解，得到IMF分量。然后，针对每个IMF分量，提取特征参数作为SVM的输入。最后，通过SVM分类器对轴承的工作状态进行判别。实验结果表明，本文提出的方法能够有效地监测并识别矿山轴承故障，对提高轴承的可靠性和安全性具有重要意义。
关键词：矿山轴承；故障监测；HHT；SVM
1.引言
矿山轴承作为重要的旋转机械部件，其工作状态对于矿山设备的可靠性和安全性具有重要影响。然而，由于轴承在长期工作过程中受到各种外界因素的影响，如振动、温度变化等，轴承故障问题逐渐加剧，并引发严重的事故和损失。因此，研究轴承故障在线监测技术，提前发现和诊断轴承故障，对于提高设备的可靠性和安全性具有重要意义。
2.相关工作
在过去的研究中，已经提出了多种基于振动信号的轴承故障监测方法。常见的方法包括时域分析、频域分析和时频分析等。然而，传统的频域和时域分析方法在处理非线性和非稳态信号时存在困难。因此，引入HHT作为一种强大的信号处理技术是有必要的。
3.基于HHT的信号分解
HHT是一种自适应、局部化和非线性的信号分析方法。它通过将信号分解为一组称为固有模态函数（IMF）的本征模态函数来实现信号的时频局部性分析。
4.提取IMF的特征参数
通过对每个IMF分量进行特征提取，可以从振动信号中提取出有用的信息，并用于后续的故障识别。
5.基于SVM的轴承故障识别
在本文中，采用SVM作为分类器，通过对每个IMF分量提取的特征参数进行训练和测试，实现对轴承工作状态的判别。
6.实验结果与讨论
在本节中，对所提出的方法进行了验证，并与其他常用的方法进行了比较。实验结果表明，该方法能够准确地检测并识别矿山轴承的故障状态。
7.结论
本文提出了一种基于HHT和SVM的矿山轴承故障在线监测技术。通过对振动信号进行HHT分解，并提取IMF分量的特征参数，再利用SVM分类器对轴承的工作状态进行判别。实验结果表明，该方法能够有效地监测并识别矿山轴承故障，为提高轴承的可靠性和安全性提供了一种重要的解决方案。
参考文献：
[1]K.Li,Z.Li,L.Cao,etal.Onlinefaultdiagnosisofrotatingmachineryusingcyclostationarytimeseriesanalysis.JournalofSoundandVibration,2020,476:115326.
[2]H.Meng,J.Cao,X.Zhang,etal.Deepresidualnetworkwithtransferlearningforfaultdiagnosisofaviationbearing.MechanicalSystemsandSignalProcessing,2019,131:529-540.
[3]Z.Cao,H.Yuan,G.Xu,etal.Improvedsupportvectormachinefaultdiagnosisbasedongeneticalgorithmforbearingsystem.JournalofComputersandElectricalEngineering,2018,66:197-206.