基于CEEMD散布熵和Hjorth参数的混合特征滚动轴承故障诊断研究

由于依靠单一的物理特征难以全面反映机械的故障信息,针对这一问题,对机器学习中常用的故障特征提取方法进行了研究,在此基础上提出了一种基于完备总体经验模态分解(CEEMD)、散布熵(DE)和Hjorth参数的混合特征滚动轴承故障诊断方法。首先,基于CEEMD对轴承原始信号进行分解,得到了若干个固有模态函数(IMF)分量;然后,根据与原信号的相关性选取敏感IMF分量,并求出其DE和Hjorth参数,形成散布熵特征向量和Hjorth参数矩阵,再对Hjorth参数矩阵进行奇异值分解,提取出奇异值作为特征向量,并将该向量与散布熵特征向量形成混合特征向量;最后,利用基于粒子群优化算法的最小二乘支持向量机(LSSVM),对滚动轴承不同故障特征向量进行了训练和识别。研究结果表明:该方法能够准确地诊断出滚动轴承的故障类型和程度,突出不同故障的特征;与采用单一特征的方法相比,该方法能更准确地辨别出滚动轴承的故障信息,采用该方法获得的故障识别率可达到100%。