基于二次奇异值分解和最小二乘支持向量机的轴承故障诊断方法

doi:10.11772/j.issn.1001-9081.2014.08.2438

计算机应用 ›› 2014, Vol. 34 ›› Issue (8): 2438-2441.DOI: 10.11772/j.issn.1001-9081.2014.08.2438

基于二次奇异值分解和最小二乘支持向量机的轴承故障诊断方法

李葵¹,²,范玉刚¹,²,吴建德¹,²

1. 昆明理工大学信息工程与自动化学院，昆明650500
2. 云南省矿物管道输送工程技术研究中心，昆明650500

收稿日期:2014-01-13 修回日期:2014-03-09 出版日期:2014-08-01 发布日期:2014-08-10
通讯作者: 李葵
作者简介:李葵(1989-)，男，湖南岳阳人，硕士研究生，主要研究方向：信号处理、模式识别、机械故障诊断；范玉刚(1973-)，男，山东威海人，副教授，博士，主要研究方向：基于机器学习的智能信息处理、数据挖掘；吴建德(1979-)，男，云南保山人，教授，博士，主要研究方向：矿物管道输送实时检测与控制、工业过程数据分析与建模。
基金资助:
国家自然科学基金资助项目;云南省科技计划项目;云南省中青年学术和技术带头人后备人才培养计划项目

Bearing fault diagnosis method based on dual singular value decomposition and least squares support vector machine

LI Kui¹,²,FAN Yugang¹,²,WU Jiande¹,²

1. Engineering Research Center for Mineral Pipeline Transportation of Yunnan, Kunming Yunnan 650500, China
2. School of Information Engineering and Automation, Kunming University of Science and Technology, Kunming Yunnan 650500, China;

Received:2014-01-13 Revised:2014-03-09 Online:2014-08-01 Published:2014-08-10
Contact: LI Kui

摘要/Abstract

摘要：

为了解决奇异值分解(SVD)对不同信号分解的有效奇异值个数不同，而影响故障识别准确性的难题，提出了基于二次SVD和最小二乘支持向量机(LS-SVM)的故障诊断方法。该方法利用奇异值曲率谱自适应选择有效奇异值重构信号，进行二次SVD处理，获得相同个数的正交分量，求解其能量熵，并构造故障特征向量，用于LS-SVM分类模型故障识别。将该方法应用于轴承故障诊断，与利用特定个数的主奇异值作为特征向量的方法相比，准确度提高了13.34%，表明了该方法的可行性和有效性。

Abstract:

In order to solve the difficult problem that the different number of singular values affects the accuracy of fault identification, caused by Singular Value Decomposition (SVD) for different signals. A fault diagnosis method based on dual SVD and Least Squares Support Vector Machine (LS-SVM) was put forward. The proposed method could adaptively choose effective singular values by using the curvature spectrum of singular values for reconstructing a signal. SVD was carried out again to acquire the same number of orthogonal components and its energy entropy was calculated to construct the feature vector. Finally, it could be used in the LS-SVM classification model for fault identification. Compared with the method of using limited principal singular values as feature vector, the results show that the proposed method applied to the bearing fault diagnosis improves the accuracy of 13.34%. Also, it is feasible and valid.

中图分类号:

TP277

李葵范玉刚吴建德. 基于二次奇异值分解和最小二乘支持向量机的轴承故障诊断方法[J]. 计算机应用, 2014, 34(8): 2438-2441.

LI Kui FAN Yugang WU Jiande. Bearing fault diagnosis method based on dual singular value decomposition and least squares support vector machine[J]. Journal of Computer Applications, 2014, 34(8): 2438-2441.

参考文献

［1］LU S. Fault pattern recognition of rolling bearing based on singularity value decomposition and support vector machine ［J］. Transactions of the Chinese Society of Agricultural Engineering, 2007, 23(4): 115-119.(陆爽.基于奇异值分解和支持向量机的滚动轴承故障模式识别［J］.农业工程学报，2007，23(4)：115-119.)
［2］ZHAO X, YE B, LIN Y. Amplitude modulation feature extraction of bearing vibration signal using singular value decomposition ［J］. Transactions of Beijing Institute of Technology, 2011, 31(5): 572-577.(赵学智,叶邦彦,林颖.奇异值分解对轴承振动信号中调幅特征信息的提取［J］.北京理工大学学报，2011，31(5)：572-577.)
［3］CHEN W, JIA Q, SUN H. Bearing fault classification using support vector machine decision tree and grey correlation information entropy ［J］. Journal of Vibration Measurement and Diagnosis, 2013, 33(3): 504-508.(陈伟，贾庆轩，孙汉旭.基于灰关联信息熵的SVM决策树轴承故障分类［J］.振动、测试与诊断，2013，33(3)：504-508.)
［4］SUGUMARANA V, RAMACHANDRANB K I. Effect of number of features on classification of roller bearing faults using SVM and PSVM ［J］. Expert Systems with Applications, 2011, 38(4): 4088-4096.
［5］SALMI J, RICHTER A, KOIVUNEN V. Sequential unfolding SVD for tensors with applications in array signal processing ［J］. IEEE Transactions on Signal Processing, 2009, 57(12): 4719-4733.
［6］LI G, WANG Y. An improved privacy-preserving classification mining method based on singular value decomposition ［J］. Acta Electronica Sinica, 2012, 40(4): 739-743.(李光,王亚东.一种改进的基于奇异值分解的隐私保持分类挖掘方法［J］.电子学报，2012，40(4)：739-743.)
［7］CHEN E, ZHANG X, SHEN Y, et al. Fault diagnosis of rolling bearings based on SVD denoising and blind signals separation ［J］. Journal of Vibration and Shock, 2012, 31(23): 185-190.(陈恩利，张玺，申永军，等．基于SVD降噪和盲信号分离的滚动轴承故障诊断［J］.振动与冲击，2012，31(23)：185-190.)
［8］ZHAO X, YE B, CHEN T. Selection of effective singular values based on curvature spectrum of singular values ［J］. Journal of South China University: Natural Science Edition, 2010, 38(6): 11-18, 23.(赵学智，叶邦彦，陈统坚．基于奇异值曲率谱的有效奇异值选择［J］.华南理工大学学报:自然科学版，2010，38(6)：11-18,23.)
［9］ZHANG C, CHEN J, YANG L, et al. Fault diagnosis of gear based on EEMD entropy of singular values and support vector machine ［J］. Journal of Vibration Measurement and Diagnosis, 2011, 31(5): 600-604.(张超，陈建军，杨立东，等.奇异值熵和支持向量机的齿轮故障诊断［J］.振动、测试与诊断，2011，31(5)：600-604.)
［10］ZHAO X, YE B, CHEN T. Influence of matrix creation way on signal processing ［J］. Journal of South China University: Natural Science Edition, 2008, 36(9): 86-93.(赵学智，叶邦彦，陈统坚.矩阵构造对奇异值分解信号处理效果的影响［J］.华南理工大学学报:自然科学版，2008，36(9)：86-93.)
［11］GUAN J, ZHANG J. Weak target detection based on intrinsic mode energy entropy ［J］. Journal of Electronics and Information Technology, 2011, 33(10): 2494-2499.(关键，张建.基于固有模态能量熵的微弱目标检测算法［J］.电子与信息学报，2011，33(10)：2494-2499.)
［12］VAPNIK V N. An overview of statistical learning theory ［J］. IEEE Transactions on Neural Networks, 1999, 10(5): 988-999.
［13］SUYKENS J A K, VANDEWALLE J. Least squares support vector machine classifiers ［J］. Neural Processing Letters, 1999, 9(3): 293-300.

[1]	汪祖民张志豪秦静季长清. 基于卷积神经网络的机械故障诊断技术综述[J]. 计算机应用, 0, (): 0-0.
[2]	马庆禄, 邹政. 面向交通安全的隧道群云监测系统[J]. 计算机应用, 2019, 39(5): 1490-1494.
[3]	王硕, 王培良. 基于深层长短期记忆网络与批规范化的间歇过程故障检测方法[J]. 计算机应用, 2019, 39(2): 370-375.
[4]	李元, 吴昊俣, 张成, 冯立伟. 基于改进偏最小二乘法的多模态过程故障检测方法[J]. 计算机应用, 2018, 38(12): 3601-3606.
[5]	屈立成, 高芬芬, 柏超, 李萌萌, 赵明. 雷达引导的视频联动监控模型及算法[J]. 计算机应用, 2018, 38(12): 3625-3630.
[6]	王硕王培良. 基于深层长短期记忆网络与批规范化的间歇过程故障检测方法[J]. 计算机应用, 0, (): 0-0.
[7]	张成, 郭青秀, 冯立伟, 李元. 基于局部近邻标准化和动态主元分析的故障检测策略[J]. 计算机应用, 2018, 38(9): 2730-2734.
[8]	张成, 郭青秀, 李元. 基于判别核主元空间k近邻的批次过程监视[J]. 计算机应用, 2018, 38(8): 2185-2191.
[9]	李元吴昊俣张成冯立伟. 基于改进偏最小二乘的多模态过程故障检测[J]. 计算机应用, 0, (): 0-0.
[10]	屈立成高芬芬柏超李萌萌赵明. 雷达引导的视频联动监控模型及算法[J]. 计算机应用, 0, (): 0-0.
[11]	冯立伟, 张成, 李元, 谢彦红. 基于改进的局部近邻标准化和kNN的多阶段过程故障检测[J]. 计算机应用, 2018, 38(7): 2130-2135.
[12]	王岩, 罗倩, 邓辉. 基于Gibbs抽样的轴承故障诊断方法[J]. 计算机应用, 2018, 38(7): 2136-2140.
[13]	张成郭青秀冯立伟李元. 基于LNS-DPCA的故障检测策略[J]. 计算机应用, 0, (): 0-0.
[14]	冯立伟张成李元谢彦红. 基于改进的LNS和kNN的多阶段过程故障检测[J]. 计算机应用, 0, (): 0-0.
[15]	王岩罗倩邓辉. 基于Gibbs抽样的轴承故障诊断方法[J]. 计算机应用, 0, (): 0-0.

基于二次奇异值分解和最小二乘支持向量机的轴承故障诊断方法

Bearing fault diagnosis method based on dual singular value decomposition and least squares support vector machine

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics