基于EMD与SVM的城轨列车滚动轴承故障诊断方法研究

何广坚; 邢宗义; 左成; 张永

基于EMD与SVM的城轨列车滚动轴承故障诊断方法研究

广州市地下铁道总公司基地维修中心,广州 510320; 2.南京理工大学自动化学院,南京 210094

基金项目: 基金项目：国家“八六三”计划项目（2011AA110506）

详细信息

作者简介:
作者简介：何广坚,工程师;邢宗义,副教授。

中图分类号: U266.2∶
计量
- 文章访问数: 59
- HTML全文浏览量: 1
- PDF下载量: 170
出版历程
- 收稿日期: 2015-01-14
- 刊出日期: 2015-08-24

Fault diagnosis method for rolling bearing of metro vehicle

based on EMD¹,
SVM²,

HE Guangjian1, XING Zongyi2, ZUO Cheng2, ZHANG Yong2(

摘要

摘要: 针对城轨列车的滚动轴承故障诊断问题,提出了一种经验模态分解（EMD,Empirical Mode Deco-mposition）与支持向量机（SVM,Support Vector Machine）相结合的故障诊断方法。对采集到的振动信号进行小波消噪,利用经验模态分解将振动信号分解为一组本征模态函数（IMF,Intrinsic Mode Functions）,并计算其能量从而获得信号的特征向量。采用支持向量机实现了滚动轴承故障分类。实验结果表明,本文提出的方法能够准确有效地识别城轨列车滚动轴承的工作状态和故障类型。
- 轨道车辆 /
- 滚动轴承 /
- 故障诊断 /
- 经验模态分解 /
- 支持向量机
Abstract: Aiming at the problem of fault diagnosis for rolling bearing of metro vehicle, a method combined empirical mode decomposition (EMD), with support vector machine (SVM) was proposed. Firstly, the collected vibration signal was de-noised by using wavelet method. Then, the obtained signals were decomposed into a finite number of intrinsic mode functions (IMF) whose energy feature parameters were calculated to construct feature vectors. Finally, a certain SVM classifier was built to recognize the fault pattern.The experiment results indicated that the proposed method could identify fault patterns for ruling bearing accurately and effectively.
- metro vehicles /
- rolling bearings /
- fault diagnosis /
- EMD /
- SVM

HTML全文

参考文献(14)

[1]	梁瑜,贾利民,蔡国强,刘金朝. 基于AFD算法的滚动轴承故障诊断方法[J]. 中国铁道科学,2013,34（1）：95-100.
[2]	刘建强,赵治博,章国平,等. 地铁车辆转向架轴承故障诊断方法研究[J].铁道学报, 2015,37（1）：30-36.
[3]	潘丽莎,陈皓,秦勇,等. 基于小波包和RBF神经网络的轨道车辆滚动轴承故障诊断[J].铁路计算机应用,2012,21（7）：8-11.
[4]	鲁文波, 蒋伟康. 利用声场空间分布特征诊断滚动轴承故障[J].机械工程学报, 2012, 48（13）：68-72.
[5]	陶海龙,辜琳丽,张胜召. 改进粒子群优化算法的BP神经网络在机车滚动轴承故障诊断中的应用[J]. 铁路计算机应用, 2012, 21（2）：9-12, 16.
[6]	危韧勇,耿永强. 基于支持向量机的机车轴承故障诊断方法[J]. 铁路计算机应用, 2007,16（9）：52-54.
[7]	张超,陈建军,郭迅. 基于EMD能量熵和支持向量机的齿轮故障诊断方法[J].振动与冲击,2010,29（10）：216-220.
[8]	李辉,郑海起,唐力伟. 声测法和经验模态分解在轴承故障诊断中的应用[J]. 中国电机工程学报,2006,25（15）：124-128.
[9]	徐晓刚,徐冠雷, 王孝通等. 经验模式分解（EMD）及其应用[J]. 电子学报,2009,37（3）：581-585.
[10]	Huang N E, Shen Z, Long S R．The empirical mode deco-mposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis[J]．Proceedings of The Royal Society A, 1998, 454(1971): 903-995．
[11]	左成. 基于安全域的列车滚动轴承诊断与预测方法研究[D].南京：南京理工大学, 2015.
[12]	Cortes C, Vapnik V. Support vector networks [J]. Machine Learning, 1995, 20（3）： 273~297.
[13]	张学工. 关于统计学习理论与支持向量机[J]. 自动化学报,2000,26（1）：32-41.
[14]	王艳,陈欢欢,沈毅.有向无环图的多类支持向量机分类算法[J].电机与控制学报,2011,15（4）：85-89.

施引文献(32)

期刊类型引用(15)

1.	隋文涛，张丹，金亚军，邱晓梅. 滚动轴承的退化状态划分与剩余寿命预测. 机械设计与制造. 2022(12): 301-304 . 百度学术
2.	韦洪新. 滚动轴承故障诊断研究方法及进展. 天津理工大学学报. 2021(02): 36-40 . 百度学术
3.	陈浩林，赖森华，杨基宏，徐刚，米希伟，刘辉. 基于LS-SVM和专家评价模型的轨道交通全生命周期宏观成本关键要素计算辨识方法. 铁路计算机应用. 2019(01): 15-19+25 . 本站查看
4.	徐可，陈宗海，张陈斌，董广忠. 基于经验模态分解和支持向量机的滚动轴承故障诊断. 控制理论与应用. 2019(06): 915-922 . 百度学术
5.	王黎阳，杜翀，汪欣，翟旭平. 一种基于稀疏自编码器的电机故障诊断方法. 噪声与振动控制. 2019(05): 197-202+249 . 百度学术
6.	赵海强，王彤臣，徐伟祖. 基于EMD的Hilbert解调方法在核电轴承故障诊断中的应用. 电工技术. 2018(16): 109-111 . 百度学术
7.	杨琦，陈智才. 基于EMD和相关系数法的列车滚动轴承故障诊断方法研究. 电力机车与城轨车辆. 2018(03): 15-17+23 . 百度学术
8.	崔洪举，居法云，彭畅，徐冠基. 基于倒谱预白化的轨道车辆轴箱轴承故障诊断. 计算机测量与控制. 2018(09): 58-61+77 . 百度学术
9.	张春，黄天立. 动车组牵引电机轴承剩余寿命预测方法研究. 铁路计算机应用. 2018(01): 4-7 . 本站查看
10.	贺德强，陈二恒，李笑梅，刘旗扬. 基于RS-LSSVM的高速列车走行部滚动轴承故障诊断研究. 广西大学学报(自然科学版). 2017(02): 403-408 . 百度学术
11.	邵强，胡红英，李文龙. 基于EMD和SVM的切削颤振识别方法研究. 煤矿机械. 2017(02): 68-70 . 百度学术
12.	王晓龙，王晓浩，邢宗义. 基于EMD广义能量的列车车轮故障诊断技术. 铁道标准设计. 2017(01): 133-138 . 百度学术
13.	廖宁，陶洁，杨大炼. 基于深度学习和经验模态分解的双列圆锥滚动轴承故障诊断. 湖南科技大学学报(自然科学版). 2017(02): 70-77 . 百度学术
14.	申炎仃，林兰天，张陆佳，高琮，曹晚霞. 基于HHT和SVM的纤维拉伸断裂声发射信号的特征提取及分类研究. 河北科技大学学报. 2016(05): 509-515 . 百度学术
15.	陈刚，左成，邢宗义，姚小文. 基于EMD和包络分析的城轨列车滚动轴承故障诊断. 铁路计算机应用. 2016(07): 57-60 . 本站查看