基于VMD-SVD和SVM的旋转机械故障诊断研究

• 作者: 张燕霞 户文刚
• 来源期刊: 机电工程
• 学科: 工学
• 关键词: 变分模态分解 奇异值分解 支持向量机 故障诊断
• 年，卷（期）: 2022,（3）
• 所属期刊栏目: 机械零件及传动装置|Mechanical Parts and Transmission
• 页码范围: 324-329
• 页数: 6页
• 分类号: TH133|TH17
• 语种: 中文
• DOI: 10.3969/j.issn.1001-4551.2022.03.006

摘要

旋转机械的振动信号具有非线性、非平稳特点,同时其早期的微弱故障信号易受噪声的干扰,因此在故障诊断中难以提取其故障特征,识别其故障类型,针对这一问题,提出了一种基于变分模态分解(VMD)-奇异值分解(SVD)和支持向量机(SVM)的旋转机械故障诊断方法.首先,对原始振动信号进行了VMD分解,并得到了其若干个分量信号;然后,对各分量信号进行了信号重构,应用SVD提取了其重构信号的奇异值特征向量;最后,将其特征向量输入SVM进行了故障诊断,利用双跨度转子故障模拟实验台实测数据验证了该方法的有效性.研究结果表明:基于VMD-SVD方法得到的模态分量(IMF)矩阵的奇异值表现出很好的稳定性,在三维特征散点图中表现出很好的可分性;在变工况和不同转速下,与其他组合方法相比,该方法具有更高的识别准确率,平均分类识别率分别到达了95.96％、95.95％,可以有效地辨识出轴承等旋转机械的故障类型.