基于EMD与多重分形去趋势法的轴承智能诊断方法

引入经验模态分解(EMD)方法去除故障信号的趋势项,提出EMD-MFDFA(multifractal detrended fluctuation analysis)的多重分形分析方法,并通过仿真分析EMD方法去趋势效果的有效性。然后将采用EMD-MFDFA方法提取的电机滚动轴承振动信号的多重分形特征向量作为训练集,利用混合遗传算法搜索全局最优的能力优化支持向量机(SVM)模型参数,建立电机滚动轴承的智能诊断模型。最后,通过对电机滚动轴承不同状态的振动信号进行分析。研究结果表明:EMD-MFDFA方法能很好地揭示滚动轴承的振动信号多重分形特性,对滚动轴承正常状态、单一故障与多故障耦合等状态具有很强的辨识能力;所建立的智能诊断模型可以有效地诊断滚动轴承不同的故障状态,能够作为滚动轴承故障在线监测的有效工具。