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。