典型文献
K-VMD融合包络熵与SVM滚动轴承故障识别方法研究
文献摘要：
针对滚动轴承振动信号非平稳、非线性导致的故障特征难以提取和类别难以辨识问题,提出一种基于能量占比优化变分模态分解(Variational Mode Decomposition,VMD)并融合包络熵与支持向量机(Support Vector Machine,SVM)的滚动轴承故障辨识方法.首先,设定VMD预分解层数K的范围,对振动信号进行分解;其次,分别计算出在不同K值下对应的各模态能量和,根据各模态能量之和与原始信号的能量之间的比值,确定最佳分解层数;然后,依据峭度准则筛选出有效的模态分量,同时计算其对应的包络熵值并组成特征向量;最后,将所构建的特征向量输入SVM中进行轴承故障类别的辨识.通过对转子综合实验台所采集的滚动轴承信号进行分析,结果表明,该方法可以对滚动轴承故障进行准确地辨别,为提高故障辨识准确率提供了一种新途径.
文献关键词：
故障诊断;变分模态分解;能量占比;包络熵;支持向量机;峭度准则
中图分类号：
作者姓名：
刘强;赵荣珍;杨泽本
作者机构：
兰州理工大学 机电工程学院,兰州 730050
文献出处：
引用格式：
[1]刘强;赵荣珍;杨泽本-.K-VMD融合包络熵与SVM滚动轴承故障识别方法研究)[J].噪声与振动控制,2022(03):92-97,121
A类：
B类：
VMD,包络熵,轴承故障,故障识别方法,滚动轴承振动信号,非平稳,故障特征,能量占比,变分模态分解,Variational,Mode,Decomposition,Support,Vector,Machine,故障辨识,辨识方法,预分,分解层数,模态能量,峭度准则,模态分量,时计,组成特征,特征向量,转子,综合实验,实验台,辨别
AB值：
0.291838
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。
