机械设计与制造2022，Vol.374Issue(4) ：5-9.

WPT、PCA与SVM结合的滚动轴承故障程度诊断

Fault Degree Diagnosis of Rolling Bearing with Implementation of WPT、PCA and SVM

王帅星 黄茜 王晓笋 巫世晶
机械设计与制造2022，Vol.374Issue(4) ：5-9.
✕
  • NETL
  • NSTL
  • 维普
  • 万方数据

WPT、PCA与SVM结合的滚动轴承故障程度诊断

Fault Degree Diagnosis of Rolling Bearing with Implementation of WPT、PCA and SVM

王帅星 1黄茜 1王晓笋 1巫世晶1
扫码查看

作者信息

  • 1. 武汉大学动力与机械学院,湖北武汉 430072
  • 折叠

摘要

针对滚动轴承故障诊断存在的故障程度难以区分、早期故障不易发现、故障诊断精度低等问题,这里提出了一种基于小波包变换(Wavelet Packet Transform,WPT)、主成分分析(Principal Component Analysis,PC A)与支持向量机(Sup-port Vector Machine,SVM)相结 合的滚动轴承故障程度诊断方法.该方法首先对原始信号进行小波包分解,然后对分解后的信号进行重构,计算重构信号能量作为特征值;随后,运用主成分分析对特征向量进行降维,将降维后的特征输入支持向量机,完成故障模型的训练与测试.这里主要分析了累计贡献率、小波包分解层数、母小波类型对故障诊断成功率的影响.实验结果表明此方法可以有效地识别不同故障位置的故障程度.

关键词

故障程度/小波包变换/主成分分析/支持向量机

引用本文复制引用

出版年

2022
机械设计与制造
辽宁省机械研究院

机械设计与制造

CSTPCD北大核心
影响因子：0.511
ISSN：1001-3997
被引量3
参考文献量6
段落导航相关论文