基于CEEMDAN与PSO-SVM的滚动轴承故障诊断
薛欢义1
窦东阳2
1.国能销售集团 锡林浩特能源销售有限公司,内蒙古 锡林浩特 0260002.中国矿业大学 化工学院,江苏 徐州 221116
摘要：滚动轴承的故障状态识别研究对于保障旋转机械的正常运转和生产安全,提高设备可靠性,以及减少经济损失具有重要意义.针对滚动轴承故障状态识别问题,提出了基于自适应噪声完备集合经验模态分解(CEEMDAN)和粒子群优化支持向量机(PSO-SVM)的滚动轴承故障诊断方法.首先利用CEEMDAN对轴承振动信号进行分解,获得多个本征模函数(IMF)及残余项;然后选择适当的IMF,提取功率谱熵、能量熵、近似熵、样本熵和模糊熵共5个信号熵指标,构建故障特征集;最后结合PSO-SVM实现故障状态识别.为验证模型的有效性和可靠性,针对SKF6203轴承正常、外圈故障、内圈故障及滚动体故障,ER-16K轴承正常、外圈故障、内圈故障、滚动体故障和内圈-外圈复合故障,进行了故障诊断实验,对信号熵特征与故障信号的相关性进行了分析,并通过对比实验验证了算法的优越性.结果表明:CEEMDAN能够有效实现轴承信号的预处理,提高信噪比;5个熵指标所构成的故障特征集能够有效表达轴承故障的本质;该故障诊断方法在凯斯西储大学轴承数据集和东南大学轴承数据集上的故障状态识别准确率分别为 94%和 92.8%,且准确率波动较小.CEEMDAN,熵特征和PSO-SVM的结合,实现了对旋转机械滚动轴承故障的有效识别,该故障诊断方法可以为选煤厂众多旋转机械的可靠运行提供有力保障,推动选煤厂智能化建设的进程.
关键词：旋转机械滚动轴承故障识别CEEMDANPSOSVM熵特征故障状态识别准确率
分类号：TD948.9(选矿)TD45(矿山机械)
资助基金：国家重点研发计划(2021YFC2902602)
论文发表日期：2025-04-30
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：10( 18-27 )
英文信息