机械设计与研究

机械设计与研究 ›› 2019, Vol. 35 ›› Issue (06): 123-127.doi: 10.13952/j.cnki.jofmdr.a5057

• 论文 • 上一篇    下一篇

基于EEMD-SVD与SVM的轴承故障诊断

李东;刘广璞;黄晋英;张安安;   

  1. 中北大学机械工程学院;
  • 出版日期:2019-12-20 发布日期:2019-12-20

  • Online:2019-12-20 Published:2019-12-20

摘要： 针对轴承振动信号具有非线性、非平稳性以及故障特征提取困难的问题,提出了一种基于EEMD-SVD与支持向量机的轴承故障诊断方法。首先,利用集成经验模态分解方法将轴承振动信号自适应地分解为多个本征模态函数分量。然后,根据峭度准则选取6个本征模态函数分量,并将其构成的矩阵进行奇异值分解得到特征向量。最后,将特征向量输入支持向量机进行故障诊断。利用凯斯西储大学的轴承数据进行了试验,并与BP神经网络进行了对比,结果验证了本文方法的有效性。

关键词: 轴承, 集成经验模态分解, 奇异值分解, 支持向量机, 故障诊断

Key words: bearing, ensemble empirical mode decomposition, singularity value decomposition, support vector machine, fault diagnosis