典型文献
基于VMD混合域特征和SSA-SVM的滚动轴承故障诊断
文献摘要：
滚动轴承早期故障信号易受噪声干扰,故障冲击成分难以提取,故障识别困难.为从多角度提取故障轴承振动信号特征参数,利用变分模态分解(VMD)将振动信号分解为若干本征模态分量(IMFs),基于包络熵、相关系数、峭度筛选IMF分量.提取所选IMF的时域和频域特征、信号VMD能量熵及各IMF能量比组成特征向量,从时域、频域和能量角度反映故障信息.使用麻雀搜索算法(SSA)优化SVM参数,确定最优参数,克服参数选择难题.将样本特征向量输入SSA-SVM中进行故障分类,轴承故障实验数据表明:该方法故障识别平均准确率在98.71％以上;与单一域特征相比,该方法对故障类型和损伤程度识别效果更佳.
文献关键词：
滚动轴承;变分模态分解;能量熵;麻雀搜索算法;支持向量机
中图分类号：
作者姓名：
陈维望;李军霞;张伟
作者机构：
太原理工大学机械与运载工程学院,山西太原030024;矿山流体控制国家地方联合工程实验室,山西太原030024
文献出处：
引用格式：
[1]陈维望;李军霞;张伟-.基于VMD混合域特征和SSA-SVM的滚动轴承故障诊断)[J].机床与液压,2022(24):159-164
A类：
B类：
VMD,混合域,SSA,滚动轴承故障诊断,早期故障,故障信号,噪声干扰,故障识别,轴承振动,振动信号,信号特征,变分模态分解,信号分解,本征模态分量,IMFs,包络熵,峭度,频域特征,能量熵,能量比,组成特征,特征向量,量角,故障信息,麻雀搜索算法,最优参数,参数选择,样本特征,故障分类,平均准确率,故障类型
AB值：
0.337317
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。
