基于VMD样本熵和LS-SVM的滚动轴承故障诊断

摘要

滚动轴承在发生故障时其振动信号会出现调幅、调频现象,表现出非线性非平稳特征,通过变分模态分解(VMD)可以反映轴承故障特征。首先应用VMD将轴承振动信号分解为一系列模态分量,计算各模态分量的样本熵并作为特征向量输入到最小二乘支持向量机(LS-SVM)进行训练,得到其模型;然后分别应用线性、多项式和高斯径向基核函数的LS-SVM模型对轴承正常、内圈故障、外圈故障等3种技术状态的轴承样本数据进行故障模式识别。结果表明,在较少样本的情况下,LS-SVM相比于神经网络,有较高的识别精度,且训练时间短,能够有效识别轴承故障类型。