基于LMD多尺度熵与SVM的往复压缩机轴承故障诊断方法.docx

基于LMD多尺度熵与SVM的往复压缩机轴承故障诊断方法
随着工业自动化的不断发展，往复压缩机已经成为现代工业生产中必不可少的设备。由于其在工业生产中的重要性，很多研究者都致力于往复压缩机的故障诊断，以保证生产的连续性和设备的稳定性。其中，轴承是往复压缩机中易损的部分，它们的故障会导致整个设备的运转出现问题。因此，该论文基于LMD多尺度熵与SVM的往复压缩机轴承故障诊断方法的研究具有重要的理论意义和实际应用价值。
首先，该论文提出了LMD多尺度熵与SVM相结合的诊断方法。随着信号的复杂性提高，仅仅使用简单的时域、频域分析方法已经不能够很好地提取信号特征，因此提出采用LMD分解方法分解信号，再使用多尺度熵的计算方法提取每个LMD分解子信号的局部特征。这样做既可以减少信号的噪声干扰，又可以增强信号的辨识性。然后，使用支持向量机（SVM）对提取的信号特征进行建模，以实现故障的自动诊断。
其次，该方法的主要特点在于使用了多尺度熵进行信号特征提取。多尺度熵是一种新颖的信号特征提取方法，它不仅可以捕捉信号的局部特征，而且还是一种无参的方法，对于信号的噪声干扰具有一定的鲁棒性。相比于其他的特征提取方法，如小波变换、经验模态分解（EMD）等，多尺度熵并不要求信号具有固定的频谱特征，而是更加注重信号的局部特征，对于动态的信号具有更好的适应性。因此，该方法可以更好地提高轴承故障诊断的精度和可靠性。
最后，利用实验数据对该方法进行了验证。实验结果表明，该方法能够有效地处理噪声干扰，提取轴承信号的局部特征，并且对不同类型的轴承故障具有很好的区分度，具有良好的应用前景。
总之，LMD多尺度熵与SVM相结合的往复压缩机轴承故障诊断方法是一种新颖的、高效的、精度高的故障诊断方法。这种方法既解决了复杂信号特征提取难的问题，又能够处理噪声干扰的影响，对于往复压缩机轴承的故障诊断具有重要的理论价值和实际应用价值。