基于EEMD模糊熵和支持向量机的轴承故障诊断方法

电动机轴承的振动信号具有不平稳、非线性和高噪声等特点。在轴承故障的情况下，通过原始信号或部分时域特征参数不易准确判断故障位置。为解决此问题，在考虑时域特征的基础上，进一步通过集成经验模态分解 (EEMD) 和模糊熵进行特征参数提取。将轴承在正常、内滚道故障、滚动体故障以及外滚道的三个方向故障状态下的振动信号通过集成经验模态分解和计算模糊熵的方法提取信号特征，并与时域特征相结合得到 10 维特征向量。使用支持向量机 (SVM) 分类方法对所提取特征进行训练，最终得到可用于电动机轴承故障诊断的模型。比对发现，经特征提取后的模型训练速度和准确率均有较大提升，表明此方法对电动机轴承故障诊断是有效的，并为电气设备的故障诊断提供一种新思路。