基于多特征参数融合降维的主轴承故障识别方法

摘要

针对航空发动机主轴承故障信号传输路径复杂、不稳定和故障特征提取困难的特点，提出了一种基于时域特征参数、频域特征参数和本征模态函数（intrinsic mode function,IMF）能量矩特征参数融合降维的故障识别方法。首先，分别选取60组轴承滚动体故障、内圈故障、外圈故障和正常轴承数据，提取时域特征、频域特征及能量矩特征。由于3种参数组成的融合向量维度过大、数据量庞大和信息冗余，利用主成分分析方法（principal component analysis,PCA）对3种数据进行融合降维，根据主成分累积贡献率提取有效的主成分分量。最后，将降维后的特征向量输入支持向量机（support vector machine,SVM）中进行模式识别，诊断不同类型的轴承故障。结果表明，相对于使用单一特征参数等模型的故障识别正确率，该方法能够在复杂的信号中提取出有效的故障特征向量，之后运用故障特征向量准确地对故障类型进行识别分类，故障识别率达到98.75%。

关键词

主轴承 / 多特征参数 / 主成分分析方法 / 支持向量机 / 故障诊断 / 航空发动机