刘晓东, 刘朦月, 陈寅生, 朱文炜

(哈尔滨工业大学 电气工程及自动化学院, 哈尔滨 150001)

EEMD-PE与M-RVM相结合的轴承故障诊断方法

刘晓东, 刘朦月, 陈寅生, 朱文炜

(哈尔滨工业大学 电气工程及自动化学院, 哈尔滨 150001)

滚动轴承振动信号中包含了大量轴承运行状态信息，但是由于振动信号具有非线性和非平稳性的特点，难以充分提取振动信号中的故障特征，导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低. 为了提高滚动轴承故障识别的准确率，提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法. 首先，该方法利用EEMD对非线性和非平稳信号的自适应分解能力，将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs). 然后，利用排列熵提取由EEMD分解得到的IMFs中的故障特征，并组成特征向量. 最后，采用EEMD-PE对不同故障状态下的训练样本集进行特征提取，组成特征向量集对M-RVM分类器进行建模，以概率输出的形式实现对滚动轴承的故障诊断. 实验结果表明：EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取，M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别. 与现有轴承故障诊断方法相比较，所提出的方法能够提高故障识别准确率，达到99.58%.

滚动轴承；故障诊断；EEMD；PE；M-RVM

滚动轴承故障诊断方法一直是国内外研究的热点. 滚动轴承运行过程中的振动信号往往包含着……