第
4
期
2019
年
4
月
组合机床与自动化加工技术
Modular Machine Tool ＆ Automatic Manufacturing Technique
No． 4
Apr． 2019
文章编号
： 1001 － 2265（ 2019） 04 － 0090 － 05 DOI： 10． 13462 /j． cnki． mmtamt． 2019． 04． 022
收稿日期
： 2018 － 07 － 03；
修回日期
： 2018 － 08 － 08
*
基金项目
：
国家自然科学基金
（ 51475097） ；
工信部智能制造示范项目
（
工信部联装
［2016］213
号
）
作者简介
：
解晓婷
（ 1991—） ，
女
，
山西运城人
，
贵州大学硕士研究生
，
研究方向为制造大数据等
；
通讯作者
：
李少波
（ 1973—） ，
男
，
湖南岳阳人
，
贵州
大学教授
，
研究方向为智能制造
、
制造大数据等
，（ E － mail） lishaobo@ gzu． edu． cn。
基于
FFT
与
CS-SVM
的滚动轴承故障诊断
*
解晓婷
，
李少波
，
杨观赐
，
刘国凯
，
姚雪梅
（
贵州大学 现代制造技术教育部重点实验室
，
贵阳
550025）
摘要
：
针对滚动轴承故障信号强噪声背景和非线性等特点
，
为精确识别滚动轴承的故障特征频率并
精准分类
，
提出了一种基于
Hanning
窗插值快速傅里叶变换并利用布谷鸟算法优化支持向量机的
滚动轴承故障诊断新方法
。
采用
Hanning
窗对得到的频域信号进行加窗处理并求得样本特征的均
方根特征值
；
经过布谷鸟算法优化后的支持向量机
（ CS-SVM）
对样本数据进行故障诊断分类
。
通过
凯斯西储大学的轴承故障振动信号数据进行的实验
，
验证了该混合智能诊断方法的有效性和优势
，
结果表明
：
所提出的方法可以对轴承故障准确进行分类
。
关键词
：
滚动轴承
； Hanning
窗
；
快速傅里叶变换
；
故障诊断
中图分类号
： TH165． 3； TG113． 25
文献标识码
： A
Fault Diagnosis of Ｒolling Bearing Based on FFT and CS-SVM
XIE Xiao -ting，LI Shao-bo ，YANG Guan-ci，LIU Guo-kai ，YAO Xue-mei
（ Key Laboratory of Advanced Manufacturing Technology，Ministry of Education，Guizhou University，Guiy-
ang 550025，China）
Abstract： In view of the strong noise background and nonlinearity of the rolling bearing fault signal，a new
method of rolling bearing fault diagnosis based on Hanning w indow interpolation fast Fourier transform and
using the cuckoo algorithm to optimize support vector machine is proposed to accurately identify the fault
characteristic frequency of rolling bearings． The Hanning window is used to deal with the frequency do-
main signals
，and the root mean square eigenvalues of the samples are obtained． The support vector ma-
chine
（ CS-SVM） ，which is optimized by the cuckoo algorithm，classifying the sample data for fault diag-
nosis． The effectiveness and advantages of the hybrid intelligent diagnosis method are verified by the test of
the bearing fault vibration signal data of Case Western Ｒeserve University． The results show that the pro-
posed method can accurately classify bearing faults．
Key words： roller bearing； Hanning w indow ； fast Fourier transform； fault diagnosis
0
引言
智能的故障诊断技术
，
就是利用先进的分析算法
对数据中的隐性知识进行挖掘和建模
，
进而进行机械
故障的分类及预测
。
支持向量机以其基于统计学习理
论的特点
，
在故障诊断领域一直是研究的热点
。
目前
，
支持向量机在轴承
、
齿轮
、
电机等机械状态监测及故障
诊断中得到了广泛的应用
，
并且取得了良好的诊断效
果
［1-5］
。
但是
，
单一的支持向量机算法通常存在如对样
本的分布假设过于理想
，
样本的构造过于复杂且样本
数据存在冗余
、
无法提取数据的有效特征信息
、
模式识
别的精度低等问题
，SVM
的性能依赖于训练样本数据
的质量和
SVM
核函数参数
g
以及其惩罚因子
c
的选
择
［6-9］
。
故本文将从支持向量机的样本特征提取方法
及采用智能群体算法对支持向量机的参数进行优化的
方法这两方面作为研究的切入点
。
一维时间序列信号的统计量或频率域的幅值信息
虽然可以提供机械故障状态的相关特征
，
但是在利用
支持向量机进行多分类时缺少对信息空间状态关联的
表述能力
，
所以
，
本文提出了利用基于
Hanning
窗插值
快速傅里叶变换的
ＲMS
特征提取方法来获取故障信
号的特征
。
该方法在一定程度上能保留信号在功率谱
上的最大能量
，
故而能反映频率谱上的特征属性
［10］
。
建立布谷鸟算法优化支持向量机的算法模型
，
可以充
分利用布谷鸟优化算法在优化过程中的局部搜索和全
局搜索能力
［11］
，
提高了搜索到最优解的效率特性来更
好的优化支持向量机的优化参数
c、g。
1
快速傅里叶变换的特征样本
快速傅里叶变换
（ FFT）
是
1965
年
J W Coo ley
和
J
W Tukey
巧妙地利用
WN
因子的周期性和对称性
，
构
造了离散傅里叶变换
（ DFT）
的快速算法
，
即快速离散
傅里叶变换
（ FFT） 。DFT
的运算过程如下
：
X（ k） =
1
N
∑
N －1
n = 0
x（ n） e
－j
π
nt /N
（ 1）
傅里叶变换的振幅谱和能量谱分别为
：
