基于支持向量机的多维特征滚动轴承故障诊断

对于轴承诊断的研究方法,常用的是对滚动轴承振动信号的特征提取,且单一维度信号特征提取诊断精度不高,着眼于该痛点,在多特征融合的基础上整合支持向量机(SVM)对滚动轴承进行故障诊断。方法首先对滚动轴承产生的内圈、外圈及滚动元件振动信号进行小波降噪和特征提取,筛选合适的小波基函数,继而从降噪后的振动信号中将时域、频域,以及基于集合经验模态分解方法的IMF能量特征提取,从多种维度将振动信号特征作为提取目标,避免了传统方法的信号失真及模态混叠等无效现象,并最终运用支持向量机(SVM)判别模型对整合后的特征信号进行故障诊断,诊断结果表明,相较于传统的特征提取及分类判别方法,支持向量机(SVM)依赖多维多域的融合特征集下的滚动轴承故障诊断准确率达到100%,具有很好的分类能力。