基于EMD近似熵和LS-SVM的机械故障智能诊断
戴桂平
苏州市职业大学,电子信息工程系,苏州,215104
摘要：故障特征提取的精确性和分类识别的高效率是提高故障诊断准确率和速度的关键,针对此问题,提出一种基于经验模式分解(empirical mode decomposition,EMD)近似熵和最小二乘支持向量机(least square support vector machine,LS-SVM)的机械故障诊断新方法.利用EMD良好的局域化特性和近似熵表征信号复杂性规律来量化故障特征,再与LS-SVM相结合进行故障类型识别.首先,对故障振动信号进行EMD 分解,得到若干个反映故障信息的本征模函数(intrinsic mode function,IMF);其次,选取前4个IMF的近似熵值作为信号的特征向量;最后将构造的特征向量输入到LS-SVM分类器进行故障类型识别.仿真表明,该方法能有效地提取故障特征,与传统的BP(back propagation)络相比,具有训练样本少、训练时间短、识别率高等优点.
关键词：经验模式分解(empirical mode decompositionEMD)近似熵最小二乘支持向量机(least square support vector machineLS-SVM)故障诊断
分类号：TP181(自动化基础理论)TH165.3(机械制造工艺)
资助基金：苏州市职业大学科学技术基金项目(SZD09L28)
论文发表日期：2011-01-01
在线出版日期：2026-09-12（本平台首次上网日期，不代表文献的发表时间）
页数：5( 165-169 )
英文信息