10.3969/j.issn.1006-1355.2021.01.017
基于改进HHT和SVM的滚动轴承故障状态识别
针对滚动轴承故障信号特征难以提取与故障诊断效率较低问题,引入集合经验模态分解(EEMD)对Hilbert-Huang变换(HHT)进行改进,将改进的HHT结合拉普拉斯得分(Laplacian score,LS)进行轴承故障特征提取,并利用遗传算法(GA)优化支持向量机(SVM)分类参数,将其应用于滚动轴承振动信号故障状态识别中.首先,利用相关系数筛选EEMD分解后的IMF分量,计算IMF分量的Hilbert边际谱能量与Lempel-Ziv复杂度构成轴承高维特征向量;其次,运用LS得分对高维特征向量进行数据降维;最后,用GA-SVM对轴承不同故障状态进行识别.通过轴承不同状态下的试验数据验证本文方法,结果表明所提方法能够有效识别轴承不同故障状态.
故障诊断、集合经验模态分解、Hilbert-Huang变换、拉普拉斯得分、支持向量机、状态识别
41
TH165.3;TN911.7
甘肃省自然科学基金资助项目;甘肃省高校协同创新团队资助项目;兰州市人才创新创业资助项目
2021-03-04(万方平台首次上网日期,不代表论文的发表时间)
共7页
89-94,107