基于经验模态分解和超球多类支持向量机的滚动轴承故障诊断方法

滚动轴承故障定位，特别是对其性能退化程度的诊断可以更有效地进行设备维护以降低停机率。提出了对滚动轴承不同故障位置及性能退化程度的非平稳振动信号进行特征提取和智能分类的故障诊断方法。该方法对各状态振动信号进行经验模态分解，得到一系列固有模态函数和一个残余分量。经验模态分解方法具有分解自适应性和分解唯一性。对每个固有模态函数建立自回归模型，分别采用Yule-Walker和Ulrych-Clayton两种方法求得模型参数和残差方差，并以此作为各类状态信号的特征矩阵，输入到改进的超球多类支持向量机分类器，判断滚动轴承故障位置及性能退化程度。实验结果表明，提出的方法可同时实现滚动轴承故障位置及性能退化程度的智能诊断，且基于经验模态分解结合自回归模型的Ulrych-Clayton参数估计进行特征提取的诊断方法识别率更高。