滚动轴承故障小波核函数SVM分类识别研究

摘要

支持向量机(Support Vector Machine,简称SVM)是通过核函数来分类识别非线性样本的，为了提高SVM的分类识别精度，基于平移不变核函数条件，构造和证明了墨西哥草帽小波核函数SVM。实验中采集了轴承正常和内圈、外圈、滚动体点蚀的故障数据，利用总体平均经验模态分解(Ensemble Empirical Mode Decomposition，简称EEMD)和样本熵提取了故障特征信息，将EEMD样本熵作为小波核函数SVM的特征向量进行故障分类识别，并与径向基核函数SVM的分类识别结果进行比较，比较结果表明小波核函数SVM的分类识别准确性更高。