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(E M D,E m p i r i c a l 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...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(E M D,E m p i r i c a l 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。展开更多
文摘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(E M D,E m p i r i c a l 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。
