滚动轴承故障小波核函数SVM分类识别研究

作     者：周厚金 楼军伟 胡赤兵 ZHOU Hou-jin;LOU Jun-wei;HU Chi-bing

作者机构：兰州理工大学高新技术成果转化中心兰州730050 兰州理工大学机电工程学院兰州730050 

出 版 物：《制造业自动化》 (Manufacturing Automation)

年 卷 期：2014年第36卷第10期

页      面：48-51,86页

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 081102[工学-检测技术与自动化装置] 080201[工学-机械制造及其自动化] 

基　　金：甘肃省科技支撑计划资助(1204GKCA068) 

主　　题：滚动轴承 样本熵 小波核函数 分类识别 

摘      要：支持向量机(Support Vector Machine,简称SVM)是通过核函数来分类识别非线性样本的,为了提高SVM的分类识别精度,基于平移不变核函数条件,构造和证明了墨西哥草帽小波核函数SVM。实验中采集了轴承正常和内圈、外圈、滚动体点蚀的故障数据,利用总体平均经验模态分解(Ensemble Empirical Mode Decomposition,简称EEMD)和样本熵提取了故障特征信息,将EEMD样本熵作为小波核函数SVM的特征向量进行故障分类识别,并与径向基核函数SVM的分类识别结果进行比较,比较结果表明小波核函数SVM的分类识别准确性更高。