针对低速轴承故障诊断难的问题，将互补总体平均经验模态分解（CEEMD）能量熵与支持向量机相结合对低速轴承故障进行了声发射诊断。采集不同缺陷状态的轴承声发射信号进行CEEMD分解，得到自适应的本征模态分量（IMF）；结合IMF分量的方差贡献率和互相关系数对虚假分量进行剔除，筛选出有效IMF分量。对提取的有效IMF分量计算能量熵，作为不同故障轴承的特征向量。将该特征向量输入到支持向量机（SVM），对不同故障的低速轴承进行分类识别。试验结果表明，通过方差贡献率和互相关系数能够筛选出含主要故障信息的IMF分量，同时验证了SVM相比BP神经网络对低速轴承不同故障类型的识别效果更好。
所属栏目
科研成果与学术交流
收稿日期
2017/4/4
作者单位
杨杰:兰州理工大学 省部共建有色金属先进加工与再利用国家重点实验室, 兰州 730050
张鹏林:兰州理工大学 省部共建有色金属先进加工与再利用国家重点实验室, 兰州 730050
刘志涛:兰州理工大学 省部共建有色金属先进加工与再利用国家重点实验室, 兰州 730050
常海:兰州理工大学 省部共建有色金属先进加工与再利用国家重点实验室, 兰州 730050
联系人作者
张鹏林(13919112896@163.com)
备注
杨杰(1993-),男,硕士研究生,主要研究方向为无损检测新技术,低速轴承故障诊断
引用该论文:
YANG Jie,ZHANG Penglin,LIU Zhitao,CHANG Hai.Acoustic Emission Diagnosis of Low-Speed Bearing Faults Based on CEEMD Energy Entropy and SVM[J].Nondestructive Testing,2017,39(9):1～6
杨杰,张鹏林,刘志涛,常海.基于CEEMD能量熵与SVM的低速轴承故障声发射诊断[J].无损检测,2017,39(9):1～6
参考文献
【1】
钟秉林,黄仁.机械故障诊断学[M]. 北京:机械工业出版社,2007.
【2】
RAY A G. Monitoring rolling contact bearings under adverse conditions[C]//IMechE Conference on Bibrations in Rotating Machinery.[S.l.]:[s.n], 1980, 187-194.
【3】
Al-GHAMD A M, MBA D A.Comparative experimental study on the use of acoustic emission and vibration analysis for bearing defect identification and estimation of defect size[J]. Mechanical Systems and Signal Processing, 2006, 20(7):1537-1571.
【4】
MBA D, RAJ B K N, RAO. Development of acoustic emission technology for condition monitoring and diagnosis of rotating machines: bearings, pumps, gearboxes, engines and rotating structures[J]. The Shock and Vibration Digest, 2006, 38(1):3-16.
【5】
耿容生,沈功田,刘时风. 声发射信号处理和分析技术[J]. 无损检测,2002,24(1):23-28.
【6】
郝如江,卢文秀,褚福磊. 声发射检测技术用于滚动轴承故障诊断的研究综述[J]. 振动与冲击, 2008, 27(3):75-79.
【7】
赵一帆,齐明侠,赵继红,等.基于声发射技术的滚动轴承故障检测[J]. 轴承,2010(4):50-53.
【8】
孙永生,李猛,刘恒,等.基于声发射检测技术的滚动轴承缺陷检测[J]. 无损检测,2015,37(8):17-20.
【9】
LEI Yaguo, HE Zhengjia, ZI Yanyang. Application of an intelligent classification method to mechanical fault diagnosis[J]. Expert Systems with Applications, 2009,36(6):9941-9948.
【10】
SMITH S J. The local mean decomposition and its application to EEG perception data[J]. Journal of the Royal Society Interface,2005,2(5):443-454.
【11】
WU Z H, HUANG N E. Ensemble empirical mode decomposition: a noise-assisted data analysis method[J]. Advances in Adaptive Data Analysis, 2009, 1(1):1-41.[JP]
【12】
陈隽,李想. 运用总体经验模式分解的疲劳信号降噪方法[J].振动、测试与诊断,2011,31(1):15-19.
【13】
YEH J R,HUANG N E. Complementary ensemble empirical mode decomposition: a novel noise enhanced data analysis method[J]. Advances in Adaptive Data Analysis, 2010, 2(2):135-156.
【14】
CORTES C, VAPNIK V. Support-vector networks[J]. Machine Learning, 1995, 20(3):273-297.
【15】
CHANG C C, LIN C J, LIBSVM. A library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology,2011,2(3):1-27.
