ISSN10003762 CN41 1148/TH
轴承2016年12期 Bearing 2016, No. 12
43 46
基于变分模态分解近似熵和支持向量机的轴承
故障诊断方法岳应娟，孙钢，蔡艳平（火箭军工程大学，西安710025）
摘要：针对滚动轴承振动信号的非平稳特征，以及现实中难以获得大量典型故障样本的情况，提出了一种基于变分模态分解的近似摘和支持向量机的故障诊断方法。首先，通过VMD将原始振动信号分解为若干个频率尺度的本征模态分量；然后，计算各个IMF分量的近似摘并组成特征向量；最后，将上述特征向量输人支持向量机进行训练，并判断轴承的工作状态和故障类型。分析结果表明：与EMD及LMD相比，VMD近似筛与支持间量
机相结合后，诊断精度得到了较大的提高，更适用于轴承故障的自动化诊断关键词：滚动轴承：故障诊断变分模态分解；近似摘：支持向量机
中图分类号：TH133.33;TN911.7
文献标志码：B
文章编号：10003762(2016)12004304
BearingFaultDiagnosisMethodBased onVMD-AE andSVM
Yue Yingjuan,Sun Gang,Cai Yanping
( Rocket Force University of Engineering, Xian 710025 , China)
Abstract : According to the non stationary characteristics of rolling bearing vibration signals and the difficulty to ob tain a large number of typical fault samples in reality ,a fault diagnosis method is proposed, which uses the Variational Mode Decomposition ( VMD) approximate entropy and the support vector machine ( SVM). Firstly ,the original vibra tion signals are decomposed into several Intrinsic Mode Functions (IMF) by VMD. Then,the approximate entropies of each IMF are calculated, which are taken as feature vector. Finally, input the feature vector for training support vector machine and delermine the bearing status and fault type. The experimental results show that, compared with EMD and LMD, the VMD combined with approximate entropy and support vector machine is more suitable for the automatic diag-nosis of bearing fault and can grealer improve diagnostic accuracy.
Key words : rolling bearing; fault diagnosis ; VMD ; approximate entropy ; SVM
文献[1]通过仿真及试验证明了变分模态分解（VariationalModeDecomposition，VMD）对轴承收稿日期：2016-05-27；修回日期：2016-0620
基金项目：国家自然科学基金项目（51405498）；陕西省自然科学基金项目（2013J08023）；中国博士后基金项目(2015M582642)
作者简介：岳应娟（1973一），女，教投，研究方向为压力容器检测，机械工程制图，机电设备状态检测及故障诊断， E mail : yingjuanyue@ 163. com
通信作者：孙钢（1989一），男，硕士研究生，主要研究方向为机电设备状态检测及故障诊断，E-mail：282400357@
qq-com。万方数据
故障特征频率的提取能力并提出了基于谱峭度和 VMD算法的包络谱轴承故障诊断方法。但是由于包络分析法的固有缺陷，在形成包络信号时需依靠经验进行解调题带参数的选取(2)，故障特征频率并不与理论值严格地一一对应，人为主观因素对诊离结果造成很大影响且难以实现自动化诊断。
近似摘（ApproximateEntropy，AE）是从衡量时间序列复杂性的角度来度量信号中产生新模式的概率大小的物理量，其所需数据长度短、抗噪能力强，同时适用于随机信号和确定性信号[3]。轴承发生不同的故障时，在不同频带内信号的近似嫡值会发生改变，故可以通过VMD[4]将信号分解成预设的几个频带，然后通过计算每个频带的近似