丁瑞成，黄友锐，陈珍萍，侯潇潇，周芳芳



LMD和SVM相结合的电机轴承故障诊断研究*

丁瑞成1，黄友锐1，陈珍萍1，侯潇潇1，周芳芳2

(1.安徽理工大学 电气与信息工程学院，安徽 淮南232001；2.安徽大学 电气工程与自动化学院，合肥230601 )

为了提高电机轴承故障诊断的准确率，提出了基于粒子群优化的支持向量机(SVM)故障诊断的方法。文章采用局部均值分解(LMD) 提取电机轴承振动信号特征作为支持向量机的特征向量；采用粒子群优化算法(PSO)优化支持向量机的核函数参数和惩罚参数，以此建立分类器用于识别电机轴承故障类型。通过仿真实验验证该方法能够有效的识别电机轴承故障状态。

轴承; 故障诊断; 支持向量机; 局部均值分解; 粒子群优化算法

0　引言

轴承是电机的重要组成部分，其运行状态决定整台电机的性能。轴承的故障会造成整个电机设备的非正常振动。以往针对大型电机轴承一般采取定期更换，这种方法缺乏预见性，不能在轴承故障早期发现。因此，针对电机轴承的智能故障诊断显得十分重要[1-2]。电机轴承故障诊断一般过程包括振动信号的采集、故障特征的提取和故障模式识别三部分。其中故障特征的提取和故障模式识别是两个关键环节。在故障特征提取方面，常见的有小波分解和经验模态分解(EMD)，但都有各自缺陷。小波分解对局部特征没有自适应性[3]。EMD虽是一种自适应信号分解方法，但在理论上还存在端点效应、过包络、欠包络和模态混淆等问题[4-5]。……