摘要
针对滚动轴承等旋转机械设备零部件的退化状态识别问题,研究并提出一种基于支持向量机(support vector machine,SVM)的智能评估方法.对于在线持续输出的轴承振动信号,采用时域方法和集成经验模态分解(ensem-ble empirical mode decomposition,EEMD)能量熵提取轴承特征,并基于相关性、单调性和鲁棒性进行特征选择.综合考虑三个指标,计算选择准则,得到最终的退化特征.针对SVM参数选择困难问题,使用遗传算法(genetic algorithm,GA)优化SVM参数,确定参数最优值.定义轴承性能退化指标,用三种不同故障类型的轴承数据训练模型.分别输入不同故障的轴承全寿命周期数据,得到轴承故障的类型和性能退化曲线,确定早期故障点,并对方法进行对比和验证.实验表明,模型故障诊断平均准确率为97.69％,性能退化评估曲线结果准确,早期故障检测能力强.
NETL
NSTL
维普
万方数据