第12期 2016年12月
组合机床与自动化加工技术
ModularMachineTool &Automatic ManufacturingTechnique
文章编号：10012265(2016)12007105
DOI:10. 13462/j. cnki. mmtamt.2016.12.020
EEMD能量摘与优化LS-SVM的
滚动轴承故障诊断陈法法"，李冕"，陈保家，陈从平
No.12 Dec.2016
（三峡大学a.新能源微电网湖北省协同创新中心；b.水电机械设备设计与维护湖北省重点实验室，湖北宜昌443002）
摘要：针对滚动轴承振动故障信号非平稳、非线性难以有效诊断的问题，提出基于集成经验模式分解（ensembleempiricalmodedecomposition，EEMD）能量摘与优化最小二乘支持向量机（leastsquaresup-portvectormachine，LS-SVM）的滚动轴承故障诊断方法。首先利用EEMD对滚动轴承的振动故障信号进行分解，得到各阶的内票模态函数分量(IMF）并计算其能量构造成特征向量矩阵，随后将该特征向量矩阵输入给优化的LS-SVM进行故障模式的分类辨识。通过实验验证了该方法的有效性和可行性，结果表明,基于EEMD能量炳特征与优化LS-SVM的滚动轴承故障诊断方法能够有效的诊断滚动轴承的实际运行工况。
关键词：集成经验模式分解；最小二乘支持向量机；滚动轴承；故障诊断
中图分类号：TH166；TG659
文献标识码：A
The Roller Bearing Fault Diagnosis Based on EEMD Energy Entropy and LS-SVM
CHEN Fa-fa-,LI Mian", Chen Bao-jia", Chen Cong-ping
( a. Hubei Provincial Collaborative Innovation Center for New Energy Microgrid; b. Hubei Key Laboratory of Hydroelectric Machinery Design & Maintenance, China Three Gorges University,Yichang Hubei 443002, China)
Abstract : Aimed at the roller bearing fault vibration signal are non-stationary and nonlinear that are difficult to effectively diagnose, a roller bearing fault diagnosis method based on ensemble empirical mode decompo-sition (EEMD)and least square support vector machine (LS-SVM) is proposed in this paper. Firstly, the roller bearing fault vibration signal is decomposed by EEMD. Then, each intrinsic mode function compo-nents (IMF) is got and these energy are calculated to construct the features vector matrix. Finally, the fea-ture matrix is input into the LS-SVM for the fault mode identification. The validity and feasibility of this method is verified by experiments. The results show that this method based on EEMD energy characteristic and LS-SVM can be more effective for the roller bearing fault diagnosis.
Key words: ensemble empirical mode decomposition; least square support vector machine; roller bearing; fault diagnosis
引言 0
滚动轴承出现异常故障时的振动信号多表现为非平稳、非线性特性[1-2]，集成经验模式分解（ensemble empiricalmode decomposition，EEMD）作为一种基于数据驱动的时频信号分析方法，通过在原始信号中添加高斯白噪声，有效抑制了分解中的模式混叠问题。当滚动轴承发生不同故障时，振动信号的特征频率以及频率范围内的幅值能量都将发生变化，为此可对滚动轴承的振动故障信号进行EEMD分解，得到各阶的内察模态分量（IMF）再计算其能量作为滚动轴承的故障特征[3-4]
收稿日期：2016-01-20；修回日期：201602-27
支持向量机（supportvectormachine，SVM）作为一种智能化的故障诊断模型，基于结构风险最小化原则，有效避免了过学习、欠学习及维数灾难问题，同时对于故障样本稀缺的小子样故障诊断问题也表现出优良特性[5】。最小二乘支持向量机（least squaresupportvec tormachine，LS-SVM)在传统SVM的基础上进一步优化，降低了SVM的计算复杂度，提高了运算效率[6-7]
为此，本文提出基于EEMD能量摘与优化LS-SVM 的滚动轴承故障诊断方法，首先利用EEMD对滚动轴承的故障振动信号进行分解，EEMD能够有效获得滚动轴承振动信号的特征分布类型，构造出滚动轴承故障诊断的特征向量矩阵。随后将该特征向量矩阵输入给优化
*基金项目：国家自然科学基金（51405264，51205230）三峡大学人才启动基金（KJ2014B007）：潮北省教育厅项目（B2015248）。
作者简介：陈法法（1983一），男，湖北秭归人，三峡大学副教授，博士，硕士生导师，研究方向为机电系统动态测试与故障诊断等，（E-mail)chen
2005 126. com。万芳数据