文档名：改进CEEMDSVM的轴承故障识别方法及其应用
摘要：由于现场条件限制,用于列车轴承故障诊断的故障数据样本量较少且多为不平衡数据集,为了及时准确地识别轴承故障,提出一种基于互补经验模态分解-支持向量机(Complementaryensembleempiricalmodaldecomposition-supportvectormachine,CEEMD-SVM)的故障识别方法并将其用于轴承不平衡数据集识别.采用CCEMD分解信号,得到不同频率的本征模态函数(Intrinsicmodefunction,IMF),对IMF分量进行相关性筛选处理后再重构,实现降噪处理.计算降噪后信号的时频域特征值以及能量,选取贡献度较大的特征值作为特征向量构成训练集和测试集,输入改进后的支持向量机分类器及AFSA-SVM分类器中进行学习和测试,分别在2个数据集中构造了小样本平衡和不平衡数据组进行了3组实验,用于测试该方法的鲁棒性和泛化性能.研究结果表明:在只含有单种类型故障时,CEEMD-AFSA-SVM的识别准确率能够达到100％.当有复合故障时,识别准确率达到99.8％,且在训练样本仅占10％时也能达到99％以上的识别精度,识别精度超过了深度学习网络.对不平衡样本集的平均识别精度达到99.3％,优于其他模型.研究成果为列车轴承故障识别提供一种简单有效的方法,可应用于列车故障智能诊断.
作者：谢素超 李雅鑫 谭鸿创Author：XIESuchao LIYaxin TANHongchuang
作者单位：中南大学轨道交通安全教育部重点实验室,湖南长沙410075;中南大学轨道交通安全关键技术国际合作联合实验室,湖南长沙410075;中南大学轨道交通列车安全保障技术国家地方联合工程研究中心,湖南长沙410075
刊名：铁道科学与工程学报 ISTICPKU
Journal：JournalofRailwayScienceandEngineering
年，卷(期)：2023, 20(8)
分类号：TH133.3U279
关键词：滚动轴承 故障诊断 互补集合经验模态分解 不平衡数据集 支持向量机
Keywords：rollingbearing faultdiagnosis complementaryensembleempiricalmodaldecomposition unbalanceddatasets supportvectormachine
机标分类号：TP391.41TP181TH165+.3
在线出版日期：2023年10月9日
基金项目：国家自然科学基金，湖南省优秀青年科学基金资助项目改进CEEMD-SVM的轴承故障识别方法及其应用[
期刊论文] 铁道科学与工程学报--2023, 20(8)谢素超 李雅鑫 谭鸿创由于现场条件限制,用于列车轴承故障诊断的故障数据样本量较少且多为不平衡数据集,为了及时准确地识别轴承故障,提出一种基于互补经验模态分解-支持向量机(Complementaryensembleempiricalmodaldecomposition-suppo...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
改进CEEMD-SVM的轴承故障识别方法及其应用 Bearing fault identification method based on complementary ensemble empirical modal decomposition-support vector machine and its application
改进CEEMD-SVM的轴承故障识别方法及其应用.pdf
- 文件大小:
- 21.08 MB
- 下载次数:
- 60
-
高速下载
|
|
