基于多类SVM与改进EMD的故障诊断  

Fault Diagnosis Based on Multi-class Support Vector Machine and Improved Empirical Mode Decomposition

作　　者：饶俊[1,2] 王太勇[1] 

机构地区：[1]天津大学天津市先进制造技术与装备重点实验室,天津300072 [2]天津财经大学,天津300222

出　　处：《组合机床与自动化加工技术》2010年第6期29-31,36,共4页Modular Machine Tool & Automatic Manufacturing Technique

基　　金：国家"863"高技术研究发展计划资助项目(2006AA04Z146;2007AA042005);高等学校博士学科点专项科研基金资助项目(20060056016)

摘　　要：鉴于传统方法在智能故障诊断中存在着一些不足,提出了一种基于多类支持向量机(SVM)和改进的经验模式分解(EMD)的故障检测与诊断办法。首先通过采用窗口平均法的EMD将原始信号自适应分解到分布在不同频带的基本模式分量(IMF),再用特征归一化处理进行特征提取,然后输入多类SVM分类器进行分类,从而对设备的当前状况作出判断。经过实验证明,本方法可以有效地对轴承设备进行故障诊断。Aiming at the disadvantage of classic neural networks,a new fault diagnosis method is proposed based on multi-class support vector machine（SVM） and improved empirical mode decomposition（EMD）.Firstly,vibration signals are adaptively decomposed into several intrinsic mode functions（IMF） from original signals by EMD using window average.Then those functions,which belong to different frequency bands,are regarded as the input characteristic vectors of SVM for fault classification after dealing with the feature normalization Lastly,information is acquired for judging the status of devices.This method proved to be valid in a bearings fault diagnosis examples.

关 键 词：支持向量机 故障诊断 经验模式分解 特征提取 

分 类 号：TH165.3[机械工程—机械制造及自动化]