支持向量机在轴承故障识别中的应用研究
孙小权，等
支持向量机在轴承故障识别中的应用研究
Research on the Application of Support Vector Machine in Fault Recognition of Bearings
3小权
邹丽英
（浙江工业大学之江学院，浙江杭州310024)
捕要；滚动轴承的运行状态直接影响机模设备的正常运行。为及时准确识别滚动轴承的运行状态，通过对滚动轴承运行过程中的报动信号分析，采用小波包变换提取各频带内的能量摘，以此作为反映轴承运行状态的特征向量，并利用支持向量机对提取的特征向量进行模式识别。研究结果表明，支持向量机的轴承故障识别准确率均达到99%以上，而采用多项式核函数的支持向量机识别准确率最高，可达99.6%，
关键词：滚动轴承故障识别
商特征向量支持向量机
小波包
能量
中图分类号：TH17
文默标志码：A
D0I :10. 16086/j. cnki. issn10000380. 201502004
Abstract: The rumning status of rolling bearings directly affect the normal operation of machinery and equipment, in onder to precisely recognize the running status of rolling bearings, through analyzing the vibration signals during the running process of rolling bearings, by adopting wavelet packet transfom method to extract the energy entropy in each frequency band, which reflects the feature vector of the running status, and by using support vector machine, the patem recognition for feature vector extracted is eonducted., Thse result of researech inxlicates that the aceurate nate of
this method is above 99% , while the highest recognition accuracy by using polynomial kemel funxtion suppot vector machine is 99. 6% Keywords: Rolling bearing Fault recognition Wavelet packet Energy entropy
Feature vectorSupport vector machine
0
引言
随着科学技术的发展，机械设备在现代工业生产
中的作用和影响越来越大，其产生的相关费用也越来越高。此外，机械设备运行过程中发生的任何故障或失效不仅会造成重大的经济损失，甚基至造成人员伤亡。检测设备工况，及时发现故障，减小故障范围，尽可能地减小故障造成的损失是机械工程领域普避关注的课题。
滚动轴承是旋转机械最重要的组成部件，其运行状态是否正常直接影响整个机械性能，但滚动轴承是机械部件中最易损坏的零件。镶动轴承的状态一般可分为四种：正常、离动体故障、内圈故障和外图故障不同状态之间时域信号差异性小，难以准确及时识别。当发生故障时，各个频段的信号能量会发生变化，其包含了丰富的故障信息。将各频段上的能量值作为特征向量，利用支持向量机的分类优势识别故障，实现轴承故障的智能化诊断[1]
国家白然科学青年基会资势项目（编量：11201426）。修政稿收到日期：20140812
第一作者种小权(1970），男，2005年单业于复互大学软件工程专业，获硕士季位，高组工程师；主要从事智能教障诊新、机城工程及白动化装备设计的研究。
12
1
状态特征提取
小波变换可以将时域信号分解为不同频段上的时
域信号。但小波变换在逐层分解时仅对低频段进行分解，而在轴承故障检测中，不同的故障主成分存在不同的频段。为了能准确提取不同的故障特征，需要在全频段上进行逐层分解。小波包变换就能实现这
一要
求。小波包变换的每层分解都是在高低频段同时进行。小波包转换的结果就是得到多个额段上的分解系数，即小波包系数。对这一系数进行信号重构就可得到不同频段上的时域信号[2]。三层小波包分解如图1 所示。
原始售号S(0,0)
st.n
82,
2.1
52, 2
32,3
s(9 ss s+ss2 s s(s
图1三层小波包分解
Three-layer decomposition of the wavelet packet
Fig.1
仅用不同额段上的时域信号还是不能准确识别故障类型。当轴承出现故障时，对各频段内的信号能量会产生较大的影响，根据不同频段内的能量分布就可以识别出相应的故障类型。反映信号能量的
PROCESS AUTOMATION INSTRUMENTATION VoL 36 No. 2 February 2015