针对滚动轴承振动信号的非平稳特征和现实中难以获得大量故障样本的实际情况,提出了基于变分模态
分解( Variational mode decomposition,VMD) 与支持向量机( Support vector machine,SVM) 相结合的滚动轴承故障诊断方法。
该方法融合了变分模态分解和支持向量机的优势,通过变分模态分解将滚动轴承振动信号分解成若干个本征模态函数分
量,轴承发生不同故障时,不同本征模态函数内的频带能量会发生变化,从包含有主要故障信息的模态分量中提取能量特
征作为SVM 的输入,判断轴承的工作状态和故障类型。试验结果表明,该方法在少量样本情况下仍能有效地对轴承的工
在现代机械设备中,滚动轴承作为关键部件,其健康状况直接关乎整个系统的稳定运行和寿命。然而,由于滚动轴承的故障信号往往是非平稳的,加上在现实应用中难以获得大量故障样本,传统的故障诊断方法在这些条件下往往难以奏效。为此,王新等研究人员提出了一种创新的故障诊断方法,该方法结合了变分模态分解(VMD)和支持向量机(SVM),旨在提高滚动轴承故障检测的准确性和效率。
变分模态分解是一种高效的信号处理技术,它能够在无需先验信息的情况下将非平稳复杂信号分解为多个本征模态函数(IMF)分量。这一分解过程考虑了信号的局部特征,使得每个IMF分量具有良好的时频特性。在滚动轴承的故障诊断中,利用VMD技术可以将轴承振动信号分解为若干个IMF分量,每个分量都有可能携带着与轴承不同故障类型相关的特定频带能量变化。因此,VMD的引入大幅提高了故障特征提取的精度,使得能够更好地识别出与故障有关的信号成分。
另一方面,支持向量机(SVM)是一种基于统计学习理论的机器学习算法,它在处理小样本数据和非线性问题方面表现出色。在故障诊断领域,SVM通过构建最优决策边界,能够有效地区分不同工作状态下的轴承,包括正常状态和不同故障状态。在本研究中,SVM被用来对VMD提取的IMF分量中的能量特征进行分析,这些特征作为SVM的输入,用于建立分类模型。通过训练,SVM可以学习到如何根据能量特征区分轴承的工作状态和故障类型。
为了验证所提出方法的有效性,研究者进行了系列实验。实验结果表明,在样本数量有限的情况下,结合VMD和SVM的故障诊断方法仍然能够有效地对轴承的状态进行分类。这说明了该方法不仅具有良好的泛化能力,还具备了对滚动轴承故障高度敏感的特征提取和准确分类的潜力。在实际应用中,这种方法能够帮助维护人员快速准确地识别潜在的轴承故障,从而提前采取维修措施,减少意外停机的风险和维护成本。
将变分模态分解和支持向量机结合起来应用于滚动轴承的故障诊断,不仅克服了传统方法在非平稳信号处理和小样本问题上的局限,还提供了一种新的故障诊断思路。VMD和SVM的结合,充分发挥了VMD在信号分解方面的优势和SVM在模式识别方面的强项,从而极大地提高了诊断的准确性和鲁棒性。未来,随着技术的进一步发展和优化,这种诊断方法有望在更多机械故障诊断领域得到广泛应用,为工业自动化和设备健康管理提供重要的理论和技术支持。