基于EMD近似熵和LS-SVM的机械故障智能诊断

作     者：戴桂平 DAI GuiPing

作者机构：苏州市职业大学电子信息工程系苏州215104 

出 版 物：《机械强度》 (Journal of Mechanical Strength)

年 卷 期：2011年第33卷第2期

页      面：165-169页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 080202[工学-机械电子工程] 08[工学] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：苏州市职业大学科学技术基金项目(SZD09L28)资助 

主　　题：经验模式分解(empirical mode decomposition,EMD) 近似熵 最小二乘支持向量机(least square support vector machine,LS-SVM) 故障诊断 

摘      要：故障特征提取的精确性和分类识别的高效率是提高故障诊断准确率和速度的关键,针对此问题,提出一种基于经验模式分解(empirical mode decomposition,EMD)近似熵和最小二乘支持向量机(least square support vector machine,LS-SVM)的机械故障诊断新方法。利用EMD良好的局域化特性和近似熵表征信号复杂性规律来量化故障特征,再与LS-SVM相结合进行故障类型识别。首先,对故障振动信号进行EMD分解,得到若干个反映故障信息的本征模函数(intrinsic mode function,IMF);其次,选取前4个IMF的近似熵值作为信号的特征向量;最后将构造的特征向量输入到LS-SVM分类器进行故障类型识别。仿真表明,该方法能有效地提取故障特征,与传统的BP(back propagation)网络相比,具有训练样本少、训练时间短、识别率高等优点。