南京航空航天大学学报

作者：任世锦

单位：江苏师范大学计算机学院，徐州，221116；,江苏师范大学计算机学院，徐州，221116；,中国矿业大学机电工程学院，徐州，221116；,中国矿业大学机电工程学院，徐州，221116；,江苏师范大学计算机学院，徐州，221116；

关键词：集成局部均值分解;稀疏表示;机械故障诊断;多尺度支持向量机

基金：国家自然科学基金 61703187国家自然科学基金（61703187）资助项目。

机械振动信号携带大量重要的机械状态信息，然而机械故障振动信号在复杂工作状态下通常呈现非平稳、非线性特性。因此，从振动信号抽取和选择有效的机械故障特征、提高故障识别性能，成为机械故障诊断研究的热点。针对上述问题，本文提出了基于集成局部均值分解(Ensemble local means decomposition, ELMD)与改进的稀疏多尺度支持向量机(Sparse multiscale support vector machine, SMSVM)的机械故障诊断方法。该方法首先使用自适应非线性、非平稳信号处理方法ELMD把多模态调制故障信号分解成为多个单模态解调信号，有效地增强了故障特征。把压缩感知和多尺度分析技术融合于故障模式分类中，提出改进SMSVM旋转机械故障识别方法，提高多类机械微弱故障数据模式识别性能。该方法融合稀疏表示、多尺度分析和SVM的优点，无需求解复杂的优化问题，易于推广至更多尺度SVM，具有计算量少、泛化性与鲁棒性好、物理意义明显等优点。人工数据和实验设备数据验证了本文算法的优越性。

来源：2019年第5期

《南京航空航天大学学报》期刊编辑部

查看南京航空航天大学学报杂志2019年第5期