基于时域优选的 VMD—SVM 滚动轴承故障分类识别方法研究

打开文本图片集

摘要：针对滚动轴承早期故障特征提取较难以及时域特征选取存在局限性的问题，提出一种基于时域优选的VMD—SVM滚动轴承故障分类识别方法，采用变分模态分解（VMD）和最小包络熵法将故障信号分解成合适数量的本征模态分量（IMF），用峭度指标和相关性系数筛选出敏感分量，基于40个时域特征指标对敏感分量进行初步特征提取，用相关性分析优选出特征指标进行二次特征提取，提取得到的特征向量输入至支持向量机（SVM），用网格搜索和交叉验证方法确定最佳超参数后进行模型训练以及轴承故障分类识别.分别与经验模态分解（EMD）、集合经验模态分解（EEMD）方法比较，VMD—SVM方法准确率达（99±0.12）%，而EMD—SVM、EEMD—SVM方法准确率分别为（84±0.17）%、（89±0.1）%.结果表明本方法能够较高精度地分类识别不同工况下的滚动轴承状态。（剩余9088字）