轴承故障稀疏编码特征提取与多分类SVM 识别

蓝 雄，刘胜永

（1.柳州职业技术学院机电工程学院，广西 柳州 545006；2.广西科技大学，广西 柳州 545006）

1 引言

滚动轴承是旋转机械设备中最为关键的零部件之一，因滚动轴承损坏引发的故障约占旋转机械设备故障的30%。滚动轴承故障直接影响设备的工作效率和产品质量，严重时甚至造成人员伤亡和巨大经济损失[1]。轴承故障智能检测和诊断技术可以实时监测轴承运行状态，对于维护设备安全稳定运行、提高生产效率等具有重要意义。

轴承故障诊断包括两大关键技术：一是特征信号的提取，二是故障模式的识别。故障特征是能够区分不同故障类型和不同故障程度的特征信号，传统的特征信号包括时域特征、频域特征和时频域特征，不同分析域的特征信号代表信号不同的统计特征。当前新兴的特征提取技术包括能量算子、熵特征等。文献[2]分析了轴承振动信号在时域和频域两种分析域中的有量纲和无量纲特征信号，实现了故障类型和故障程度识别。文献[3]提出了基于经验小波变换的精细谱负熵特征提取方法，有效提取了轴承内外圈故障特征信息。文献[4]针对对称差分能量算子对噪声敏感的不足，提出了对称差分解析能量算子，能够从重度污染信号中提取故障特征信号。近年来人工智能模式识别发展迅猛，出现了朴素贝叶斯方法、神经网络、支持向量机、聚类、随机森林等方法。文献[5]使用聚类方法辅助确定K 近邻分类器的邻域数量，克服了邻域数量依靠经验确定的问题，能够有效识别故障类型。……