姜久亮， 刘文艺， 侯玉洁， 仲召明， 陈思瑶

(江苏师范大学 机电工程学院，江苏 徐州221116)



基于内积延拓LMD及SVM的轴承故障诊断方法研究

姜久亮， 刘文艺， 侯玉洁， 仲召明， 陈思瑶

(江苏师范大学 机电工程学院，江苏 徐州221116)

摘要：针对特征提取中局域均值分解(Local Mean Decomposition, LMD)存在端点效应缺陷及模式识别中人工神经网络(Artificial Neural Network, ANN)存在收敛速度慢、过学习等不足，提出基于内积延拓LMD及支持向量机(Support Vector Machine, SVM)的轴承故障诊断方法。利用内积延拓LMD方法对信号延拓分解抑制LMD端点效应；利用分解的可描述信号特性主分量PF(Product Function)构建初始特征向量矩阵；用SVD(Singular Value Decomposition)方法对初始特征向量矩阵进行奇异值分解，获得信号特征参数作为SVM的输入进行训练；对训练的SVM进行测试及模式分类。通过实际轴承故障信号分析及故障类型分类表明，该方法不仅能抑制LMD端点效应缺陷，且在故障模式识别中能有效避免ANN网络结构难确定、收敛速度慢等不足，能较好实现轴承故障准确分类，可用于轴承故障诊断。

关键词：内积延拓局域均值分解；奇异值分解；支持向量机；滚动轴承；故障诊断

滚动轴承作为旋转机械中应用最广泛的部件，因长时间不间断运行极易发生机械故障，会直接影响整个机械的性能及安全。轴承故障诊断主要有信号处理及模式识别。对信号处理分析、提取特征频率主要为时频分析法，如短时傅里叶变换(Short Time Fourier Transform, STFT)[1]、Hilbert变换[2]、Wigner-Ville分布(WVD)[3-4]、经验模式分解(Empirical Mode Decomposition, EMD)[5-6]等。局域均值分解(LMD)作为新的非平稳信号处理方法已广泛用于机械故障诊断，并取得较好成果[7-9]。……