基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法.docx

基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法
基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法
摘要：滚动轴承故障诊断在机械设备健康监测中起着重要的作用。本文提出了一种基于最小熵解卷积-变分模态分解（EMD-VMD）方法和优化支持向量机（OSVM）的滚动轴承故障诊断方法。首先，利用EMD-VMD算法对采集到的滚动轴承振动信号进行分解，得到一系列的本征模态函数（IMF）和残差项。然后，通过计算每个IMF的最小熵，选择信号的IMF子集。接下来，将所选IMF子集作为输入，使用OSVM模型完成故障诊断。最后，通过实验数据验证了该方法的有效性和准确性。实验结果表明，该方法在滚动轴承故障诊断方面具有很好的性能。
关键词：滚动轴承；故障诊断；最小熵解卷积-变分模态分解；优化支持向量机
1.引言
滚动轴承是旋转机械设备中常见的关键部件之一，其故障可能导致机械设备的停机和损坏，因此滚动轴承的故障诊断对于确保机械设备的正常运行至关重要。近年来，随着机器学习和信号处理技术的发展，越来越多的方法被应用于滚动轴承故障诊断领域。
2.相关工作
2.1EMD-VMD方法
EMD-VMD是一种用于非平稳振动信号分解的方法，通过将信号分解为一系列IMF和残差项，能够提取信号的周期和非周期成分。该方法在振动信号处理和故障诊断中得到了广泛应用。
2.2优化支持向量机
支持向量机是一种广泛使用的分类和回归算法，其通过非线性映射将样本映射到高维空间，从而在更高维度的空间中寻找最优的决策边界。然而，传统的支持向量机在处理大规模数据时存在计算复杂度高的问题。为了解决这个问题，优化支持向量机通过引入粒子群算法和遗传算法等优化方法对支持向量机进行改进，以提高分类的准确性和运行效率。
3.方法
本文提出的基于EMD-VMD和OSVM的滚动轴承故障诊断方法主要分为三个步骤：数据预处理、特征提取和故障诊断。
3.1数据预处理
首先，从滚动轴承上采集振动信号，并对信号进行预处理，包括滤波和去噪处理。通过这些预处理步骤，可以减少由噪声和干扰引起的误诊断。
3.2特征提取
然后，将预处理后的振动信号使用EMD-VMD方法进行分解，得到一系列的IMF和残差项。然后，通过计算每个IMF的最小熵，选择信号的IMF子集作为特征。这样做的目的是从信号中提取出与故障相关的信息。
3.3故障诊断
最后，将所选IMF子集作为输入，使用OSVM模型完成故障诊断。OSVM模型通过优化支持向量机的参数，以得到更好的分类结果。在训练阶段，使用已知故障类型的振动信号进行模型训练。在测试阶段，将未知故障类型的振动信号输入到训练好的模型中，通过模型的分类结果进行故障诊断。
4.实验结果
为了验证该方法的有效性，使用实验数据进行了实验。实验结果表明，该方法在滚动轴承故障诊断方面具有很好的性能。与传统的基于频域特征和时域特征提取的方法相比，该方法能够更好地提取故障特征，并获得更高的诊断准确性。
5.结论
本文提出了一种基于EMD-VMD和OSVM的滚动轴承故障诊断方法。该方法通过将振动信号分解为IMF和残差项，并利用最小熵选择相关特征，然后使用优化支持向量机进行故障诊断。实验结果表明，该方法在滚动轴承故障诊断方面具有很好的性能。未来的研究可以进一步优化该方法，并将其应用于其他机械设备的故障诊断中。
参考文献：
[1]WangP,ChenQ,YangZ,etal.RollingBearingFaultDiagnosisUsingHybridMulti-ScaleEntropyandMultipleKernelLearningSupportVectorMachine[J].IEEEAccess,2021,9:1795-1808.
[2]LiY,ShiY,WangT,etal.Rollingelementbearingfaultdiagnosisbasedonafractionalizationprocessingtechnique[J].Measurement,2020,151:107230.
[3]ZongW,ZhongQ,LiM,etal.Faultdiagnosisofrollingbearingbasedontheadvancedwavelettransformandpseudo-spectrum[J].Measurement,2021,169:108428.