一种基于经验模态特征的制造技术

本发明专利技术公开了一种基于经验模态特征的

【技术实现步骤摘要】
一种基于经验模态特征的IBAS
‑
SVM滚动轴承故障诊断方法


[0001]本申请涉及故障诊断
，尤其是涉及一种基于经验模态特征的
IBAS
‑
SVM
滚动轴承故障诊断方法
。

技术介绍

[0002]滚动轴承是旋转机械中用途最广泛的机械零件之一，其主要依靠元件间的滚动接触来支撑转抽及轴上零件，并保持轴的正常工作位置和旋转精度
。
然而，复杂的工作环境会加速消耗滚动轴承的使用寿命，使得轴承故障的频发难以避免
。
旋转机械的运行状况与轴承的健康状态息息相关，在轴承出现变形
、
磨损等故障后，如果不能及时发现并妥善处理，不仅会影响到整个系统的稳定可靠性，造成一定的财产损失，严重者甚至会威胁到人员的生命安全，造成难以挽回的局面
。
因此，开展滚动轴承故障诊断的研究，对于提高生产效率，保障安全生产具有重要的理论意义和工程价值
。
[0003]故障诊断的目的是通过获取包含故障信息的特征来评估设备的运行状况，如何准确本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于经验模态特征的
IBAS
‑
SVM
滚动轴承故障诊断方法，其特征在于，诊断方法的过程包括：步骤1：构建原始振动信号的特征向量数据集；步骤2：引入呈指数分布的步长算子提高
BAS
算法的搜索能力，提出
IBAS
算法；步骤3：将所述特征向量数据集输入到建立的故障诊断模型，得到诊断结果；所述故障诊断模型采用多组训练数据，每组训练数据均包括特征向量数据及对应的标签；步骤4：基于所述诊断结果，根据所属标签判断滚动轴承是否存在故障以及存在的故障类型
。2.
根据权利要求1所述的诊断方法，其特征在于，所述滚动轴承故障诊断过程包括：步骤1：提取原始振动信号的故障信息，构建特征向量数据集；步骤2：将所述特征向量数据集划分为特征向量训练数据集和特征向量测试数据集；步骤3：将所述特征向量训练数据集输入到支持向量机
SVM
中进行训练，在不断迭代的训练过程中采用
IBAS
算法对支持向量机
SVM
进行优化，建立
IBAS
‑
SVM
故障诊断模型；步骤4：将所述测试数据集输入到所述
IBAS
‑
SVM
故障诊断模型中进行故障诊断
。3.
根据权利要求2所述的诊断方法，其特征在于，所述提取原始振动信号的故障信息，构建特征向量数据集包括：步骤1：将原始振动信号进行
EEMD
分解，得到若干本征模态函数
(IMF)
分量；步骤2：根据峰度筛选出故障运行状态下能够表征故障信息的
IMF
分量；步骤3：根据相关系数筛选出正常运行状态下与原始信号相似度高的
IMF
分量；步骤4：提取所述筛选后各
IMF
分量的模糊熵构建特征向量数据集
。4.
根据权利要求2所述的诊断方法，其特征在于，所述采用
IBAS

【专利技术属性】
技术研发人员：赵宇波，白艺硕，田子建，
申请(专利权)人：中国矿业大学北京，
类型：发明
国别省市：