典型文献
基于VMD-SVD和SVM的旋转机械故障诊断研究
文献摘要：
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.
文献关键词：
变分模态分解;奇异值分解;支持向量机;故障诊断
中图分类号：
作者姓名：
张燕霞;户文刚
作者机构：
甘肃交通职业技术学院 机电工程系,甘肃 兰州730070
文献出处：
引用格式：
[1]张燕霞;户文刚-.基于VMD-SVD和SVM的旋转机械故障诊断研究)[J].机电工程,2022(03):324-329
A类：
B类：
VMD,SVD,旋转机械故障诊断,诊断研究,振动信号,非平稳,微弱故障,弱故障信号,故障特征,故障类型,变分模态分解,奇异值分解,故障诊断方法,若干个,信号重构,重构信号,特征向量,转子故障,故障模拟,模拟实验,实验台,数据验证,模态分量,IMF,三维特征,散点图,可分性,变工况,不同转速,组合方法,识别准确率,平均分,分类识别,识别率,轴承
AB值：
0.302527
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
