论文电机滚动轴承故障诊断方法，该文是关于滚动轴承方面函授毕业论文范文和滚动轴承和故障诊断和电机方面毕业论文题目范文.
——基于CEEMD能量熵和SVM
卓仁雄肖金凤万俊铄
（南华大学电气工程学院,湖南 衡阳 421000）
摘 要：针对电机轴承早期振动故障信号非线性非平稳性特征,造成振动故障信号特征向量提取和故障诊断困难,提出一种补充的总体平均经验模态分解（CEEMD）与能量熵结合的电机滚动轴承故障特征提取方法.通过对振动信号分解得到多个固有模态函数,计算各个IMF分量的能量熵作为特征选择,再结合针对少量数据样本具有较好分类的SVM进行模式识别,实现对电机滚动轴承故障类型识别.通过试验研究表明：基于CEEMD能量熵和SVM的电机滚动轴承故障诊断方法效果较好,能有效进行电机轴承早期故障诊断.
关键词：CEEMD；能量熵；SVM；故障诊断
中图分类号：TB
文献标识码：A
doi：10.19311/j.cnki.1672-3198.2017.19.101
0引言
针对经验模态分解方法（EMD）在处理机械振动信号的时变性,非线性非平稳性特征较好特点,近年来在其基础之上加以改进,提出总体平均经验模态分解（EEMD）,相比于EMD具有更好的抗模态混淆能力,但通过加入的高斯白噪声在分解之后产生的非标准IMF分量﹑噪声残余﹑且含有一定的模态混淆情况.在此基础之上,Yeh等在EEMD的基础之上提出了CEEMD.其主要方法是通过向原信号添加两对相反的高斯白噪声信号分别进行EMD分解,将分解的信号组合得到最终的IMF,在EEMD基础之上抑制了由高斯白噪声产生的重构误差和消除模态混叠现象.同时利用信号能量在不同频带内会发生相应的改变,可以通过CEEMD分解得到若干个不同频带的IMF,分别计算能量熵值,利用能量熵构造特征向量,再结合对小样本具有较好模式识别能力的支持向量机（SVM）来识别电机滚动轴承运行情况和故障类型.
1基于CEEMD和能量熵阐述
在EMD分解的基础之上对CEEMD作如下阐述：
（1）将待分析信号x(t)分别与一对幅值相同 相位角相差180°的高斯白噪声ni(t)相加,构造h1(t)等于x(t)+ni(t),h2(t)等于x(t)-ni(t),高斯白噪声ni(t)的幅值一般选0.1~0.4倍原始信号的标准差.
（2）继续重复上述步骤（1）,对构造的h1(t)和h2(t)分别做EMD分解处理,分别得到两组的总体平均记为IMFh1和IMFh2.
（3）求IMFh1和IMFh2对应分量的平均值,将该平均值作为CEEMD分解的结果,即为
IMF等于(IMFh1+IMFh2)/2（1）
振动信号在不同故障中表现的频率分布不一样,即为振动信号的能量分布不一样.电机滚动轴承发生故障时,信号经过CEEMD分解,得到多个IMF分量包含了不同故障信息特征的能量特征,所以可以利用能量熵来判断电机滚动轴承的工作状态和故障类型.轴承振动信
号经过CEEMD分解后,可以得到N个IMFi(i等于1,2…N),各个IMF的能量Ei ,能量百分比Ei和能量熵HEn可以表示为
Ei 等于 ∑NiIMF2i （2）
Ei－等于Ei/∑Ni等于1Ei（3）
HEn等于－∑Ni等于1Ei－lgEi－（4）
经过分解得到的IMFi（i等于1,2…N）包含不同的频率成分,且具有不同的能量特征,构成了轴承振动信号在频率域的能量分布情况.对其构造电机轴承故障特征向量：
T等于［E1__E2__E3__…… EN__HEn］
2试验分析
试验数据来源于美国凯斯西储大学轴承检测中心.通过选取电机轴承正常状态、在0007英寸（01778mm）损失直径下的滚动体故障、内圈故障、外圈故障（6点钟方向）四种状态作为分析对象.采样频率为12kHz,电机转速为1797r/min ,电机负荷为0HP.从上述4种工况里面分别采集30组振动加速度信号,每组数据长度为2048个数据点.一共采集120组信号,然后再利用Matlab里面的randperm函数分别随机从4种工况里面随机取20组数据,一共80组数据样本作为训练样本,剩下的每种工况一共40组作为测试样本.对采集的每组数据样本进行CEEMD分解进行能量特征提取,得到轴承各种状态下特征向量.
结合图1 图2和表1可以看出,由CEEMD分解下的预测效果全部正确,其准确率达到100%.采用EEMD分解方法时,轴承正常情况、滚动体故障、外圈故障、内圈故障分别有1个、3个、4个和4个预测错误.通过对比看出采用CEEMD分解下的预测效果优于EEMD分解.
3结论
（1）针对振动信号的非线性非平稳性特点,基于补充的总体平均经验模态分解（CEEMD）,相比EEMD分解不仅能够抑制模态混叠问题,而且一定程度上解决了分解出现的模态分裂﹑噪声残余等问题,具有较好的分解完备性.
（2）针对轴承振动信号特征,综合应用补充的总体平均经验模态分解和具有较好模式识别性能的支持向量机联合诊断模式,可以更有效地识别电机轴承早期故障.
参考文献
［1］HUANG N E,SHEN Z,LONG S R,et al. The empirical mode decomposition and the Hilbert spectrum for nonlinear and non-stationary time series analysis［J］.Proceeding of the Royal Society of London Series A:Mathematical,Physical and Engineering Sciences,1998,454（1971）：903-995.
［2］Yeh J R,Shieh J S.Complementary ensemble empirical mode decomposition a noval noise enhanced data analysis method［J］. Advances in Adaptive Data Analysis,2010,2(2):135-156.
［3］张周锁,李凌均,何正嘉.基于支持向量机的多故障分类器及应用［J］.机械科学与技术,2004,23(5):536-538.
［4］The case western reserve university bearing data center website［EB/OL］.http: //csegrous,case.edu/bearing data center/pages/download-data-file.
本文点评,此文是一篇关于滚动轴承和故障诊断和电机方面的滚动轴承论文题目、论文提纲、滚动轴承论文开题报告、文献综述、参考文献的相关大学硕士和本科毕业论文.
参考文献：
1、 基于高斯混合模型的滚动轴承故障诊断 1 高斯混合模型理论高斯混合模型是一种概率统计模型,它是由至少两个的高斯密度函数,赋予不同的加权系数的线性组合函数 高斯混合模型定义如下图1与图2为二维与三维高斯函数模型混合示意图 运用高斯混合模型.
2、 论播种机方法与常见故障排除方法 王 云1 播前准备1 1 紧固与注油 播种机使用前应检查各紧固部位,各转动部位是否转动灵活 在链传动和其他转动部位加注润滑油 1 2 排种（肥）器使用 小麦免耕播种机采用半精量外槽轮式排种器,播种时抽.
3、 PRO988Q联合收割机脱粒损失的现象与故障排除方法 摘要联合收割机对减轻农业劳动强度,提高生产率,降低农业生产成本,争取农时和促进农业丰产丰收都有着重要的作用 但常由于使用、维护不当,出现一些故障,影响联合收割机的使用,在这里我们重点介绍PRO988Q.
4、 农用拖拉机常见故障排除方法 拖拉机的故障是多种多样的,产生故障的原因也较复杂 有些故障是较长时间内逐渐形成的；有些故障是在短时间内偶然形成的 一种故障可能表现出多种征象,一种征象可能反映多种故障 这样就给故障分析带来了一定的困难.
5、 数控机床故障诊断和维修教学改进策略 一、课程教学内容改革 在课程教学内容上,从“数控机床故障诊断与维修”课程标准出发,选取企业生产实际中具有综合性和典型性的数控机床维修改造案例,独立编排每个项目并完整展示一项数.
6、 高考议论文语言假文采的诊断方法与提分策略 高考议论文,归根结底,要想打动阅卷老师,语言是首要的 文章的内容缺少了“文采”,文章就没有表现力与活力,但文章抛开内容只追求“文采”那就是“.