支持向量机（SVM）：滚动轴承早期故障诊断的有效提取方法

欢迎大家来到IT世界,在知识的湖畔探索吧!

如何通过结合CEEMDAN和SVM技术，有效提升滚动轴承早期故障诊断的准确性？

滚动轴承作为关键机械零部件，广泛应用于各类旋转机械装置以及现代交通工具，如高铁和飞机。

这些现代化交通工具的稳定运行离不开滚动轴承的正常工作，因此滚动轴承的健康状况对设备的安全性和可靠性具有至关重要的影响。在这种背景下，对于滚动轴承早期故障进行有效诊断显得尤为重要。

支持向量机（SVM）是一种机器学习方法，它建立在统计学习理论基础之上。

最初，SVM是为了应对小样本情况下的分类问题而专门设计的。这意味着即使在训练样本数量有限的情况下，SVM也能够取得出色的分类效果，因此，SVM被广泛应用。

该方法基于CEEMDAN和PSO-MPE的结合，旨在实现对滚动轴承早期故障特征的有效提取。

 一、基本理论

在信号分解中，CEEMDAN与EEMD不同，它在每次EMD分解后添加了特定的标准正态高斯白噪声。

具体来说，CEEMDAN首先在信号的每次分解中引入了这种高斯噪声，然后进行EMD分解，从而获得每个IMF，这种自适应加噪的方法实现了一种高效的信号分解，并且使得信号的重构误差几乎为零。

二、 MPE基本原理及参数选择

MPE是多尺度排列熵的缩写，它类似于排列熵，能够在不同尺度下反映信号的复杂性和随机性。

在计算信号的MPE值时，需要选择合适的嵌入维度（m）和尺度因子（s）。

嵌入维度m通常在3到7之间选择，当m取值过小时，重构序列中的状态较少，导致对信号的突变性检测能力降低，从而影响算法的有效性。

相反，当m取值过大时，计算量增加，且对时间序列的微小变化的反应不够敏感。因此，选择适当的m值至关重要。

另外，尺度因子s的选择也需要权衡，过大的s值可能会忽略信号的细节变化，而过小的s值可能会使特征提取过于敏感。

为了在特征提取过程中获得更好的识别效果，研究采用了粒子群优化算法。通过粒子群优化，我们能够在参数空间中找到最优的参数组合，以实现更精确的特征提取和故障诊断。

这样的方法能够有效地避免了参数选择对结果的过度依赖，提高了模型的鲁棒性和泛化能力，而这需要通过固定的流程对故障进行辨别。

三、故障识别流程

本研究提出的滚动轴承早期故障诊断方法的流程，具体步骤如下：

(1) 设置CEEMDAN参数，对滚动轴承的四种状态信号进行分解，得到相应的IMF分量。

(2) 计算每个IMF分量与原始信号的相关系数，通过相关系数阈值公式计算各组数据的相关系数阈值，将低于该阈值的分量删除，对高于阈值的IMF分量进行重构。

(3) 设定MPE参数的搜索范围，运用粒子群优化算法（PSO）对MPE参数进行遍历，获得优化后的参数。

(4) 利用优化后的MPE参数，计算经过CEEMDAN分解和重构后的信号的MPE值，从而生成故障特征向量。

在故障识别流程的下一步，我们将获得的故障特征向量分为两个部分：每种状态的30组作为训练集，其余的70组作为测试集。接着，我们将使用训练集来训练一个SVM分类模型。

具体而言，通过机器学习的过程，训练出一个针对滚动轴承状态分类的SVM模型，这个训练好的模型能够识别不同状态下的滚动轴承情况。

在训练好SVM分类模型后，将测试样本输入到这个模型中，以实现对滚动轴承状态的识别。这一步骤会得到测试集中滚动轴承的状态识别结果，从而验证我们提出的方法在实际应用中的效果。

为了验证本文提出的滚动轴承故障诊断方法的有效性，我们采用了西安交通大学的滚动轴承加速寿命试验数据进行验证。

这些实验数据基于LDKUER204型滚动轴承，振动信号采样频率为25.6kHz，采样间隔为1分钟，每次采样1.28秒，轴承转速为2250转/分钟，径向受力为11kN。

试验平台示意图如图2所示，轴承的详细信息见表1。

在此基础上，我们对CEEMDAN分解重构后的信号以及原始信号直接计算MPE值，形成故障特征向量，并应用SVM进行故障状态的模式识别。

在未优化MPE参数且未进行CEEMDAN分解的情况下，有45组样本被错误识别，SVM的识别率约为83.93%。

相比之下，采用CEEMDAN处理后的识别结果中有35组样本被错误识别，总体识别率为87.5%，提高了3.57%。

而将其输入SVM进行识别时，仅有5组样本被错误识别，总体识别率达到了98.21%。这相较于未优化参数情况提高了10.71%，表明本文方法能够在提高信号特征明显性和识别率方面取得显著效果。

总的来说，滚动轴承早期故障诊断方法，在实际的滚动轴承加速寿命试验数据集上得到了验证，通过结合CEEMDAN、PSO-MPE和SVM等技术，该方法能够有效地提高故障诊断的准确性和性能。