建立了以故障特征倍频为基础的分析方法,以诊断滚动轴承局部故障。此方法引入故障特征倍频代替目前普遍应用的故障特征频率,在计算故障特征参数的时候剔除转速的影响,将不同转速下的故障判断标准统一起来,用几个确定参数来表征滚动轴承主要的局部故障类型,进而建立起能够综合分析不同转速下的故障信号的包络谱阵分析方法。依据轴承故障冲击振动包络频谱的本质分布形态,采用故障特征倍频背景,为数据分析和故障判断提供了直观、准确的参考。在实验中的应用表明,利用该方法诊断滚动轴承局部故障简捷有效。
支持向量机(SVM)的分类性能受样本的特征以及SVM本身参数的选择影响较大。针对这种情况,基于Shannon能量熵、SVM和小生境遗传算法(NGA),提出了一种基于NGA优化SVM的滚动轴承故障诊断方法。该方法采用容错性强的Shannon能量熵作为特征参数,对信号进行EMD分解提取出前3个IMF分量作为特征信号,分别计算其Shannon能量熵作为特征向量得到样本集,作为多类别SVM的输入。在用样本训练SVM时,构造一种新的核函数,并采用NGA对SVM的核函数参数进行全局优化,使SVM获得最佳的分类性能,提高其分类识别的正确率。最后采用凯斯西储大学的滚动轴承故障样本进行了分类识别,并与其他几种方法进行了对比,结果表明该方法具有更好的可靠性和分类准确率。