第3期 2017年3月
组合机床与自动化加工技术
Modular Machine Tool & Automatic Manufacturing Technique
文章编号：10012265(2017)03009605
DOI : 10. 13462/j. cnki. mmtamt. 2017. 03. 025
基于 CEEMDAN样本焰与 SVM的
滚动轴承故障诊断谢志谦，孙虎儿，刘乐，武超
（中北大学机械与动力工程学院，太原030051）
No.3 Mar.2017
摘要：提出一种基于自适应票声的完备经验模态分解（CEEMDAN）与IMF样本缩结合的滚动轴承故障特征提取方法。利用CEEMDAN算法对振动信号进行了自适应分解，将非稳定的振动信号分解成了若干个固有模态函数（IMF)分量。计算了包含主要故障特征信息的IMF分量样本，实现了故障特征量化。在此基础上利用SVM在少量数据样本的情况下具有较强的学习和分类能力，通过样本数据学习与待测样本的模式识别实现滚动轴承智能诊断。通过仿真与实验数据分析，证明该方法能
够改善信号特征提取的效采，对故障类型的判断表现出较高的识别率。关键词：CEEMDAN；样本；支持向量机；特征提取；故障诊断
中图分类号：TH166;TG506
文献标识码：A
Fault Diagnosis of Rolling Bearing Based on CEEMDAN Sample Entropy and SVM
XIE Zhi-qian, SUN Hu-er, LIU Le, WU Chao
( College of Mechanical and Power Engineering ,North University of China, Taiyuan 030051 , China)
Abstract : A rolling bearing fault feature extraction method based on complete empirical mode decomposition( CEEMDAN) and IMF envelope sample entropy is proposed. The original signal is decomposed by CEEM-DAN, and the non-stationary vibration signal is decomposed into several intrinsic mode functions (IMF) The IMF component sample entropy is calculated to contain the main fault feature information, and the fault feature quantization is realized. On this basis, the use of SVM in a small number of data samples with strong learning and classification ability, through the sample data learning and the pattern recognition of the sample to be tested to realize the intelligent diagnosis of rolling bearing. Through simulation and experimental data analysis, it is proved that this method can improve the effect of signal feature extraction, the fault type and the fault degree of the judge showed a high recognition rate
Key words: CEEMDAN; sample entropy; SVM; feature exaction; fault diagnosis
0引言
滚动轴承故障诊断的本质是故障类型的识别过程，故障特征信息提取是准确识别故障类型的关键步骤。由于滚动轴承的振动信号具有非线性和非平稳的特性，而且在信号的采集过程中容易受到硬件设备与周围环境的干扰）。因此在滚动轴承复杂的信号中去提取敏感的特征信息是故障诊断的关键。经验模态分解（Empirical Mode Decomposition,EMD）[2)是处理非稳定和非线性振动信号的时频分析方法，在机械故障诊断领域中被广泛的应用。由于EMD方法存在着模态
收稿日期：20161102
*基金项目：山西省自然科学基金（2014011024-6）
混叠等问题[34]，Wu和Huang3]提出的总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EE MD)有效地改善了EMD的模态混叠现象，EEMD是在 EMD算法的基础上做出了一定的改进，在振动信号中加人了高斯白噪声，利用其均勾尺度的性质，改善了振动信号的极值点特性和模态混叠的现象。EEMD方法的提出更加丰富了机械故障诊断的手段，并且提高了故障诊断的准确率[6-7]。但是EEMD的分解完备性较差、计算量大，且过分依赖集成的次数和添加高斯噪声参数的选择，如果参数选择不当就会产生伪分量。 TorTes(*}等提出了一种自适应加噪完备总体平均经验
作者简介：谢志谦(1992一），男，山西运城人，中北大学预士研究生，研究方向为机械设计及理论，（E-mail)xzq903@139.com；通讯作者：孙虎儿
(1972一），男，山西寿阳人，中北大学副教授，博士，研究方向为机械设备状态监测与故障诊斯，（Email)sunhuer@163.com
万方数据