基于内积延拓LMD及SVM的轴承故障诊断方法研究

针对特征提取中局域均值分解(Local Mean Decomposition,LMD)存在端点效应缺陷及模式识别中人工神经网络(Artificial Neural Network,ANN)存在收敛速度慢、过学习等不足,提出基于内积延拓LMD及支持向量机(Support Vector Machine,SVM)的轴承故障诊断方法。利用内积延拓LMD方法对信号延拓分解抑制LMD端点效应;利用分解的可描述信号特性主分量PF(Product Function)构建初始特征向量矩阵;用SVD(Singular Value Decomposition)方法对初始特征向量矩阵进行奇异值分解,获得信号特征参数作为SVM的输入进行训练;对训练的SVM进行测试及模式分类。通过实际轴承故障信号分析及故障类型分类表明,该方法不仅能抑制LMD端点效应缺陷,且在故障模式识别中能有效避免ANN网络结构难确定、收敛速度慢等不足,能较好实现轴承故障准确分类,可用于轴承故障诊断。

基于内积延拓LMD的机床滚动轴承故障诊断方法研究

针对机床加工中常见的滚动轴承故障特性,提出了一种基于内积延拓LMD的故障诊断方法。该方法针对LMD方法本身的端点效应缺陷,采用内积延拓的方法对分析信号左右两端点进行匹配延拓以抑制端点效应。首先建立原始信号的特征波形和相似波形并计算其对应的积分值;其次通过计算相似波形和特征波形积分差值并从信号的左端开始迭代运算以寻找最优匹配波形;最后将最优匹配波形延拓到对应的信号左右两侧以完成极值点的端点延拓。该方法充分考虑了信号内部波形的特点以及内部趋势运行规律,使得延拓后的波形可以很好地保持信号左右两端原有的趋势。实验采用滚动轴承故障信号进行分析,实验结果表明该方法可以很好地抑制LMD端点效应,并可以有效地提取滚动轴承故障特征实现故障诊断,可以运用到机床轴承的故障诊断中。