10.19713/j.cnki.43-1423/u.T20221619
改进CEEMD-SVM的轴承故障识别方法及其应用
由于现场条件限制,用于列车轴承故障诊断的故障数据样本量较少且多为不平衡数据集,为了及时准确地识别轴承故障,提出一种基于互补经验模态分解-支持向量机(Complementary ensemble empirical modal decomposition-support vector machine,CEEMD-SVM)的故障识别方法并将其用于轴承不平衡数据集识别.采用CCEMD分解信号,得到不同频率的本征模态函数(Intrinsic mode function,IMF),对IMF分量进行相关性筛选处理后再重构,实现降噪处理.计算降噪后信号的时频域特征值以及能量,选取贡献度较大的特征值作为特征向量构成训练集和测试集,输入改进后的支持向量机分类器及AFSA-SVM分类器中进行学习和测试,分别在2个数据集中构造了小样本平衡和不平衡数据组进行了3组实验,用于测试该方法的鲁棒性和泛化性能.研究结果表明:在只含有单种类型故障时,CEEMD-AFSA-SVM的识别准确率能够达到100％.当有复合故障时,识别准确率达到99.8％,且在训练样本仅占10％时也能达到99％以上的识别精度,识别精度超过了深度学习网络.对不平衡样本集的平均识别精度达到99.3％,优于其他模型.研究成果为列车轴承故障识别提供一种简单有效的方法,可应用于列车故障智能诊断.
滚动轴承、故障诊断、互补集合经验模态分解、不平衡数据集、支持向量机
20
TH133.3;U279
国家自然科学基金;湖南省优秀青年科学基金资助项目
2023-10-09（万方平台首次上网日期，不代表论文的发表时间）
共11页
3192-3202
