基于集合经验模态分解敏感固有模态函数选择算法的滚动轴承状态识别方法

发布时间：2018-01-13 04:11

  本文关键词：基于集合经验模态分解敏感固有模态函数选择算法的滚动轴承状态识别方法　出处：《电子与信息学报》2014年03期 　论文类型：期刊论文

  更多相关文章： 信号处理 状态识别 非平稳信号 集合经验模态分解(EEMD) 敏感固有模态函数(IMF)

【摘要】：为了更有效地提取滚动轴承各状态振动信号的特征,该文提出了一种基于集合经验模态分解(EEMD)的敏感固有模态函数(IMF)选择算法。该算法对振动信号经EEMD分解后得到的固有模态函数采用峭度值、相关系数相结合的方法自动提取其敏感分量,以此获得振动信号的初始特征。再运用奇异值分解和自回归(AR)模型方法得到滚动轴承各状态振动信号的特征向量,并将其输入到改进的超球多类支持向量机中进行智能识别,从而实现滚动轴承的正常状态,不同故障类型及不同性能退化程度的各状态识别。实验结果表明,相比基于经验模态分解结合自回归模型或奇异值分解的特征提取方法,该方法可更有效地提取滚动轴承故障特征信息,且识别精度更高。
[Abstract]:In order to extract the vibration signals of rolling bearings more effectively. In this paper, a sensitive intrinsic mode function (IMF) based on set empirical mode decomposition (EEMD) is proposed. This algorithm uses kurtosis value for the natural mode function of vibration signal decomposed by EEMD. The correlation coefficient is combined to extract the sensitive components automatically. Then the singular value decomposition and autoregressive AR-model are used to obtain the characteristic vectors of the vibration signals of rolling bearings. It is input into the improved hypersphere multi-class support vector machine for intelligent recognition, so as to achieve the rolling bearing normal state, different fault types and different performance degradation of the state recognition. The experimental results show that. Compared with the feature extraction method based on empirical mode decomposition combined with autoregressive model or singular value decomposition, this method can extract the fault feature information of rolling bearing more effectively and has higher recognition accuracy.
【作者单位】： 哈尔滨工业大学电子与信息工程学院;哈尔滨理工大学电气与电子工程学院;白俄罗斯国立大学;
【基金】：国家自然科学基金(51305109) 高等学校博士学科点专项科研基金(20122303120010) 留学人员科技活动项目择优资助 哈尔滨市科技创新人才专项基金(留学回国人员)(2013RFLXJ019)资助课题
【分类号】：TN911.7;TH133.33
【正文快照】： 1引言滚动轴承是支撑旋转轴的关键部件,广泛应用国家自然科学基金(51305109),高等学校博士学科点专项科研基金(20122303120010),留学人员科技活动项目择优资助和哈尔滨市科技创新人才专项基金(留学回国人员)(2013RFLXJ019)资助课题于各种机械设备之中。现有的诊断方法大多集中

【参考文献】

相关期刊论文 前10条

1 程军圣,于德介,杨宇,邓乾旺,陈源;基于EMD的齿轮故障识别研究[J];电子与信息学报;2004年05期

2 王宏;Narayanan R M;周正欧;李廷军;孔令讲;;基于改进EEMD的穿墙雷达动目标微多普勒特性分析[J];电子与信息学报;2010年06期

3 卢志茂;金辉;张春祥;任明溪;;基于HHT和OSF的复杂环境语音端点检测[J];电子与信息学报;2012年01期

4 罗迎;柏又青;张群;段艳丽;朱丰;;弹道目标平动补偿与微多普勒特征提取方法[J];电子与信息学报;2012年03期

5 王宝帅;杜兰;刘宏伟;李彦兵;冯博;;基于经验模态分解的空中飞机目标分类[J];电子与信息学报;2012年09期

6 林丽;余轮;;基于相关系数的EMD改进算法[J];计算机与数字工程;2008年12期

7 朱美琳,刘向东,陈世福;用球结构的支持向量机解决多分类问题[J];南京大学学报(自然科学版);2003年02期

8 陈略;訾艳阳;何正嘉;成玮;;总体平均经验模式分解与1.5维谱方法的研究[J];西安交通大学学报;2009年05期

9 顾磊;吴慧中;肖亮;;基于新的决策规则的球形支持向量机分类算法[J];系统仿真学报;2008年11期

10 潘玉娜;陈进;;小波包-支持向量数据描述在轴承性能退化评估中的应用研究[J];振动与冲击;2009年04期

【共引文献】

相关期刊论文 前10条

1 李强伟;黄志尧;丁浩;李海青;;基于经验模态分解的油气两相流流型状态监测[J];传感技术学报;2007年01期

2 林超;杨敏华;;基于球结构支持向量机的QuickBird影像分类分析[J];测绘工程;2011年03期

3 李敏;傅攀;;EMD和Elman神经网络在滚动轴承故障诊断中的应用[J];四川兵工学报;2011年08期

4 窦东阳;李丽娟;赵英凯;;基于EEMD-Renyi熵和PCA-PNN的滚动轴承故障诊断[J];东南大学学报(自然科学版);2011年S1期

5 周忠根;水鹏朗;;基于复数据经验模式分解的天波超视距雷达瞬态干扰抑制[J];电子与信息学报;2011年12期

6 李茂宽;关键;;基于共形几何代数与二次规划的分类器设计[J];光电工程;2010年07期

7 胡国胜;;支持向量机及在电力系统中的应用[J];高电压技术;2007年04期

8 王谨敦;陈略;曲卫;;基于EEMD的故障微弱信号特征提取研究[J];电子设计工程;2012年14期

9 张小田;鄢盛腾;周雪青;赵洪山;;基于状态监测的风电机组主轴承早期故障预测方法[J];广东电力;2012年11期

10 魏少明;王俊;孙进平;毛士艺;;弹道中段目标平动径向速度估计的状态空间方法[J];电子与信息学报;2013年02期

相关会议论文 前10条

1 杨辰龙;王力求;徐志农;;超声TOFD信号的改进Hilbert变换方法[A];第二十九届中国控制会议论文集[C];2010年

2 ;Ultrasonic In-line Inspection of Pipeline Corrosion Based on Support Vector Machine Multi-classifier[A];第二十九届中国控制会议论文集[C];2010年

3 ;A New Aethod for the Fault Diagnosis of the Train Wheelset Based on Characteristic Spectrum Analysis[A];第二十九届中国控制会议论文集[C];2010年

4 李强伟;;Hilbert-Huang变换中边界问题的分析[A];第六届全国信息获取与处理学术会议论文集（3）[C];2008年

5 窦东阳;赵英凯;;一种新的滚动轴承智能故障诊断方法[A];2010振动与噪声测试峰会论文集[C];2010年

6 李茂宽;关键;;基于共形几何代数与最小二乘的分类器设计[A];2010振动与噪声测试峰会论文集[C];2010年

7 陈果;;一类分类方法在转子故障诊断中的应用研究[A];第二十一届全国振动与噪声高技术及应用学术会议论文集[C];2008年

8 张超;陈建军;;EEMD方法和EMD方法抗模态混叠对比研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

9 许平;訾艳阳;何正嘉;;强噪声背景下机床主轴轴承故障微弱特征提取[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

10 张卫;张雪英;孙颖;;基于HHT边际Teager能量谱的语音情感识别[A];第十二届全国人机语音通讯学术会议（NCMMSC'2013）论文集[C];2013年

相关博士学位论文 前10条

1 蔡金燕;电子装备系统性能可靠性分析与评估研究[D];南京理工大学;2010年

2 宁静;基于EMD和Cohen核的时—频分析研究及其在轨道不平顺监测中的应用[D];西南交通大学;2011年

3 刘路;基于改进支持向量机和纹理图像分析的旋转机械故障诊断[D];天津大学;2011年

4 李邦宇;超宽带生物雷达成像及生命信号检测关键问题研究[D];沈阳工业大学;2012年

5 万海平;模式识别中核方法若干问题研究[D];北京邮电大学;2006年

6 胡红英;局域波分解方法、特征剖析及应用研究[D];大连理工大学;2006年

7 李强伟;油气两相流流量及相关参数测量研究[D];浙江大学;2007年

8 别锋锋;基于局域波时频谱的往复机故障智能诊断方法研究[D];大连理工大学;2008年

9 徐图;超球体多类支持向量机及其在DDoS攻击检测中的应用[D];西南交通大学;2008年

10 尹振东;DS-UWB无线通信系统关键技术研究[D];哈尔滨工业大学;2007年

相关硕士学位论文 前10条

1 李卫鹏;正交小波变换支持向量数据描述方法在故障诊断中的应用研究[D];郑州大学;2010年

2 高翔;超球支持向量机在语音识别中的应用研究[D];太原理工大学;2011年

3 孙斐;基于两相电流互高阶累积量的电机故障特征检测方法研究[D];大连海事大学;2011年

4 房小兆;超球结构支持向量机的研究与应用[D];广东工业大学;2011年

5 林超;基于超球体多类支持向量机的高光谱遥感影像分类[D];中南大学;2011年

6 王莉;基于转导推理思想的一致性预测器[D];中国海洋大学;2011年

7 李传亮;基于SVDD和参数辨识的模拟电路故障诊断方法研究[D];南京航空航天大学;2011年

8 卢传奇;基于HHT和模糊C均值聚类的液压泵故障诊断研究[D];燕山大学;2012年

9 史美丽;基于LMD的滚动轴承故障诊断研究[D];湖南大学;2011年

10 杨宁;支持向量机在感官评估中的应用研究[D];中国海洋大学;2004年

【二级参考文献】

相关期刊论文 前10条

1 韩志艳;王旭;王健;;基于短时能零积和鉴别信息的语音端点检测[J];东北大学学报(自然科学版);2009年12期

2 马晓建,陈瑞琪,吴文英,周保堂,贺世正;机械故障诊断中常用解调方法的比较及应用[J];东华大学学报(自然科学版);2001年05期

3 朱利民,严峻,朱向阳,钟秉林;振动调幅信号广义检波滤波解调法及其在齿轮故障诊断中的应用[J];东南大学学报;1998年02期

4 王璐;刘宏伟;;基于时频图的微动目标运动参数提取和特征识别的方法[J];电子与信息学报;2010年08期

5 李彦兵;杜兰;刘宏伟;丁苏颖;关永胜;;基于微多普勒特征的地面目标分类[J];电子与信息学报;2010年12期

6 王延春，谢明，，丁康;包络分析方法及其在齿轮故障振动诊断中的应用[J];重庆大学学报(自然科学版);1995年01期

7 班凌潇;陈新轩;;基于模糊理论的机械设备故障诊断方法[J];中国工程机械学报;2006年01期

8 申丽然,李雪耀,王慧强,尹清波,张汝波;基于Hilbert-Huang变换理论的语音增强初探[J];哈尔滨工程大学学报;2005年02期

9 王平,廖明夫;滚动轴承故障诊断的自适应共振解调技术[J];航空动力学报;2005年04期

10 于德介,程军圣,杨宇;Hilbert能量谱及其在齿轮故障诊断中的应用[J];湖南大学学报(自然科学版);2003年04期

相关硕士学位论文 前1条

1 陈娟;基于多特征融合的雷达目标识别[D];西安电子科技大学;2010年

【相似文献】

相关期刊论文 前10条

1 谭琛;杨达飞;;机械设备振动检测系统设计与实现[J];大众科技;2009年09期

2 向玲;朱永利;唐贵基;;HHT方法在转子振动故障诊断中的应用[J];中国电机工程学报;2007年35期

3 韩中合;朱霄s

本文编号：1417388