边兵兵

(平顶山工业职业技术学院，河南 平顶山 467001)

基于LCD降噪与LS-SVM的滚动轴承故障诊断方法

边兵兵

(平顶山工业职业技术学院，河南 平顶山 467001)

在实际工况下滚动轴承较易发生故障，为了保障机械运行可靠性，对其进行故障诊断研究显得非常重要，提出一种基于局部特征尺度分解(Local Characteristic-scale Decomposition, LCD)降噪与最小二乘支持向量机(Least Squares Support Veotor Machine, LS-SVM)的滚动轴承故障诊断方法。首先，利用LCD对轴承信号进行自适应性分解，得到一系列内禀尺度分量(Intrinsic Scale Component, ISC)，然后结合峭度准则筛选出包含主要特征信息的分量，完成信号降噪预处理，并与经验模态分解(Empirical Mode Decomposition, EMD)进行对比，研究LCD算法的优越性；最后提取ISC模糊熵作为信号的敏感特征集，输入到训练好的LS-SVM分类器中进行轴承状态识别。实验研究表明，提出的基于LCD降噪与LS-SVM的轴承故障诊断方法能有效地识别出多种轴承类型，识别率高达84%，是一种行之有效的轴承诊断算法。

滚动轴承；LCD；峭度准则；模糊熵；LS-SVM；故障诊断

0 引言

作为旋转机械设备中极为常见的零件，滚动轴承也是最为常见的故障发生部位，其中大约30%的故障都是由滚动轴承故障导致的[1]。一旦其发生故障，容易导致机械运行受损，严重的甚至威胁到操作人员人身安全。因此，对其进行故障诊断研究是保障机械设备运行可靠性的重要研究内容之一。

在实际工况影响下，采集到的滚动轴承振动信号一般表现出非平稳性、非线性等特点，而故障诊断的难点在于如何有效地提取出信号中的敏感特征。……