小波包和GA-SVM在轴承故障诊断中的应用

基于小波包和支持向量机的滚动轴承故障诊断方法研究摘要：滚动轴承是机械设备中常用的传动元件，其故障会严重影响设备的正常运转，因此滚动轴承故障诊断一直是机械领域的研究热点。

本文提出了一种基于小波包和支持向量机的滚动轴承故障诊断方法。

首先采集轴承运行时的振动信号，然后通过小波包变换对信号进行分解，得到多个频带信号。

接着，针对不同频带信号中的故障特征，采用支持向量机分类器进行故障诊断。

实验结果表明，该方法可以准确诊断出滚动轴承的故障类型，并具有较高的诊断率和鲁棒性。

该方法在滚动轴承的健康监测及维护中具有重要的应用价值。

关键词：滚动轴承；小波包；支持向量机；故障诊断1. 引言滚动轴承是机械设备中常用的传动元件，其故障会严重影响设备的正常运转，甚至导致设备损坏和生产停滞。

因此，滚动轴承故障诊断一直是机械领域的研究热点。

目前，滚动轴承故障诊断的方法主要包括振动信号分析、声音信号分析和温度信号分析等。

振动信号是滚动轴承故障诊断中最常用的信号，其具有灵敏度高、响应迅速、特征明显等优点。

因此，采用振动信号进行故障诊断已成为一种主流方法。

2. 小波包分解小波包变换是小波变换的一种改进方法，它在小波变换的基础上增加了分解级数的选择，可以逐级地对信号进行分解，得到更多的细节信息。

在滚动轴承故障诊断中，可以采用小波包分解对振动信号进行频带分解，进一步提取信号的特征信息，提高故障诊断准确率。

3. 支持向量机分类器支持向量机是一种广泛应用于模式识别和分类问题的机器学习算法，其基本思想是寻找一个超平面将数据分为两类，并使得两类数据点到超平面的距离（即间隔）最大化。

因此，支持向量机具有较高的分类精度和泛化能力，适用于处理高维度的数据，并且不易受到噪声的影响。

4. 基于小波包和支持向量机的故障诊断方法本文提出的基于小波包和支持向量机的滚动轴承故障诊断方法主要包括以下步骤：（1）采集滚动轴承运行时的振动信号，并进行预处理；（2）对预处理后的信号进行小波包分解，得到多个频带信号；（3）针对不同频带信号中的故障特征，选取合适的特征提取方法，并采用支持向量机分类器进行故障诊断；（4）根据分类结果判断轴承的健康状态，并进行相应的维护措施。

小波SVM核函数法在滚动轴承故障诊断中的应用高朋飞1，许同乐1，侯蒙蒙1，郎学政1，李磊2（1．山东理工大学机械工程学院，山东淄博255049；2．山东信远集团有限公司，山东莱阳265200）摘要：针对现有SVM核函数中参数选择存在盲目性的问题，提出了一种基于样本输入选择核参数的方法，并将新核函数与小波分析相结合，对滚动轴承进行故障诊断。

首先，用小波降噪和分解提取出相应的小波尺度－能量谱，选取具有代表性的尺度谱作为输入样本，建立故障特征向量集；然后，应用新核函数进行训练，并利用交叉验证方法对参数进行优化，得到分类器的最佳模型；最后，利用该模型对未知故障轴承特征进行识别训练，进行故障诊断。

与经过径向基核函数训练得到的模型比较发现，新模型具有更高的准确率，而且新核函数的参数仅依赖于输入样本，可以实现自适应调整。

关键词：滚动轴承；故障诊断；小波分析；能量谱；SVM；核函数中图分类号：TH133．33；TP274文献标志码：B文章编号：1000－3762（2013）12－0051－04Application of Wavelet SVM Kernel Function Method in FaultDiagnosis forＲolling BearingsGao Peng－fei1，Xu Tong－le1，Hou Meng－meng1，Lang Xue－zheng1，Li Lei2（1．School of Mechanical Engineering，Shandong University of Technology，Zibo255049，China；2．Shandong Xinyuan Group Co．，Ltd．，Laiyang265200，China）Abstract：Aiming at the blindness of selection for parameters in SVM kernel function，a method is proposed to select kernel parameters based on sample input．The combination of the new kernel function and wavelet analysis is applied in faults diagnosis for rolling bearings．Firstly，the corresponding wavelet scale－power spectrum is extracted by using wavelet denoising and decomposition，then the typical scale spectrum is selected as input sample，and a fault feature vector set is established．Secondly，the fault feature vector is trained by new kernel function，the cross validation meth-od is used to optimize parameters，and the best classifier model is obtained．Finally，the unknown fault bearing feature is identified and trained by the new model，and the fault diagnosis is carried out．By comparing with the model which is trained by radial basis function，the new model is of a higher accuracy．The new kernel function parameters only de-pend on input sample，so it can be adjusted automatically．Key words：rolling bearing；fault diagnosis；wavelet analysis；power spectrum；SVM；kernel function故障轴承的振动信号包含了故障特征信息，而且便于采集，因此振动信号分析成为故障诊断的有效手段之一［1－3］。

基于Morlet小波变换和SVM的滚动轴承故障诊断隋瑒;张红玲【摘要】针对滚动轴承的故障振动信号具有非平稳特性以及在归类筛选方面支持向量机参数对其准确程度有一定关联的特点,提出一种将Morlet小波变换和人工鱼群参数优化结合的方法,并将其应用于滚动轴承的故障诊断中.通过对Morlet小波进行参数优化,能够很好的匹配故障信号的特征点,达到去噪的目的;运用人工鱼群算法进行参数优化能够使故障分类在准确率方面得到提高.实验结果证明该方法能有效地从强噪声背景中提取故障特征,能够很好的识别出不同的故障状态.【期刊名称】《辽宁科技学院学报》【年(卷),期】2019(021)004【总页数】3页(P3-5)【关键词】Morlet小波;支持向量机;参数优化;故障诊断【作者】隋瑒;张红玲【作者单位】本钢集团有限公司计控中心,辽宁本溪117000;辽宁科技学院曙光大数据学院,辽宁本溪117004【正文语种】中文【中图分类】TP290 引言当滚动轴承存在局部故障时，会出现衰减响应，我们称之为突变点，由于大部分故障特征的信息均存在于突变点内，因此想要提取故障信息就需要重点检测突变信号的信息〔1〕。

经过大量的阅读和分析，在故障诊断方面应用小波变换的最为常见〔2〕，但存在一定的局限，即在噪声大，背景干扰较大的环境下，便很难找到突变信息。

最常规的降噪处理方法是常规的Morlet小波和最小小波熵参数优化Morlet小波，都难以实现最有匹配和最佳变化尺度〔3〕。

SVM的功能受其核函数影响。

使用传统核函数的过程中，一些学者发现通常所选的核函数归结起来有两类：全局核函数和局部核函数。

全局性核函数泛化性能强、学习能力弱，而局部性核函数学习能力强、泛化性能弱；文献〔4〕也从理论和应用上验证了参数优化能提高分类的识别率。

基于以上原因，本文提出了一种系统缺陷特点识别的办法，并结合人工鱼群算法进行参数优化使故障归类的准确率得到提高。

1 Morlet 小波及其优化1.1 Morlet 小波由于Morlet小波是类似余弦信号的对称图形，并依照指数特性进行衰减，因而可能够与突变信号完成匹配，即实现信号的去噪，同时留存最开始的系统缺陷的特征信息。

毕业设计文献综述电气工程与自动化小波分析及在轴承故障诊断中的应用一、材料的来源目前，小波分析在故障诊断中的应用已取得了极大的成功。

小波变换在故障诊断领域中的应用越来越也引起广泛注意，许多学者投入到这方面的研究。

由于小波分析非常适合于分析非平稳信号，因此小波分析可作为故障诊断中信号处理的较理想工具，由它可以构造故障诊断所需的特征或直接提取对诊断有用的信息。

小波分析不仅可以在低信噪比的信号中检测到故障信号，而且可以滤去噪声恢复原信号，具有很高的应用价值。

小波变换适用于机械故障分析，尤其适用于滚动轴承和齿轮故障分析。

用小波算法对故障振动信号进行分解和重构，将很好的找到故障频率信号的位置。

二、课题的研究历史与现状及简要评述（1）研究历史小波分析（Wavelet Analysis)或多分辨分析（Multiresolution Analysis)是傅里叶分析发展史上里程碑式的进展，近年来在法、美、英等国家称为众多学科共同关注的热点。

它被堪称是调和分析这一数学领域半个世纪以来工作的结晶。

而小波变换的概念是1984年法国地球物理学家J.Morlet在分析出理地球物理勘探资料时提出来的。

小波变换的数学基础是19世纪的傅里叶变换，其后理论物理学家A.Grossman采用平移和伸缩不变性建立了小波变换的理论体系。

1985年，法国数学家Y.Meyer第一个构造出具有一定摔减性的光滑小波。

1988年，比利时数学家L.Daubechies证明了紧支撑正交标准小波基的存在性，使得离散小波分析成为可能。

1989年S.Mallat提出了多分辨率分析概念，同意了在此之前的各种构造小波的方法，特别是提出了二进小波变换的快速算法，使得小波变换完全走向实用性。

（2）研究现状小波分析是建立在泛函分析，Fourier分析、样条分析及调和分析基础上的新的分析处理工具。

它又被称为多分辨分析，在时域和频域同时具有良好的局部化特性，常被誉为信号分析的“数学显微镜”。