第２３卷２００７年

第４期４月

农业工程学报

ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅＣＳＡＥ

Ｖ０１．２３

Ａｐｒ．

Ｎｏ．４２００７

１１５

基于奇异值分解和支持向量机的滚动轴承故障模式识别

陆

爽

（浙江师范大学交通学院，金华３２１０１９）

摘

要：提出了基于奇异值分解和支持向量机进行滚动轴承故障诊断的新方法。对故障轴承的状态特征提取和故障特征

准确分类是解决该问题的两个关键。奇异值分解可以将高维相关变量压缩为低维独立的主特征矢量，而支持向量机可以完成模式识别和非线性回归。利用上述原理根据轴承振动信号的变化特征，采用奇异值分解对其提取状态主特征矢量，然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别。试验结果表明，奇异值分解后的主特征矢量与支持向量机相结合可以很好的分辨出轴承的正常和故障状态，并且对未知故障有良好的识别能力。与常用的人工神经网络方法相

比，该诊断方法具有更好的有效性、鲁棒性和精确性。

关键词：滚动轴承；故障诊断；奇异值分解；主特征矢量；支持向量机；模式识别

中图分类号：ＴＨｌ３３．３；ＴＰｌ８１

文献标识码：Ａ

文章编号：１００２—６８１９（２００７）４一０１１５一０５

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）：１１５一１１９．

Ｌｕ

Ｓｈｕａｎｇ．

Ｆａｕｌｔ

ｐａｔｔｅｒｎ

ｒｅｃｏｇｎｉｔｉｏｎｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｂａｓｅｄ

ｏｎ

ｓｉｎｇｕｌａｒｉｔｙｖａｌｕｅｄｅｃｏｍｐｏｓｉｔｉｏｎａｎｄ

ｓｕｐｐｏｒｔ

ｖｅｃｔｏｒ

ｍａｃｈｉｎｅ［Ｊ］．ＴｒａｎｓａｃｔｉｏｎｓｏｆｔｈｅｃｓＡＥ，２００７，２３（４）：１１５—１１９．（ｉｎｃｈｉｎｅｓｅｗｉｔｈＥｎｇｌｉｓｈａｂｓｔｒａｃｔ）’

Ｏ引言

号处理和智能诊断技术在滚动轴承故障诊断研究中的重点，并取得了一定的成效。文献［５，６］对故障信号建立时间序列模型（ＡＲＭＡ或ＡＲ模型）进行现代谱分析，具有谱峰尖锐、频率定位准确的优点；文献［７］采用滑动矩形小窗傅立叶变换技术，将各个不同频带能量积分函数分别进行傅立叶变换，得到滚动轴承故障特征频率信息；文献［２，８］利用小波包得到的滚动轴承在不同频带的能量特征与径向基函数网络相结合，得到滚动轴承故障特征信息；文献［９］利用二阶循环平稳理论，将时域平滑循环周期图法应用到实测滚动轴承振动信号的分析中；文献［１０，１１］研究了滚动轴承在内圈、外圈和滚动体出现故障和正常状态下的关联维数，利用其维数的不同来识别滚动轴承的运行状态；文献［１２］利用滚动轴承监测中的几个特征量（峰值、有效值、峭度值和轴承内外圈特征频率等）作为神经网络的输入参数对滚动轴承的运行状态进行监测；文献［１３］将奇异值分解技术应用到滚动轴承和齿轮的故障诊断中；文献［１４］利用经验模态分解技术，对滚动轴承的振动信号进行分解，再选取若干个包含主要故障信息的ＩＭＦ分量，并从中提取时域特征指标作为神经网络参数来识别滚动轴承的故障模式。

支持向量机（Ｓｕｐｐｏｒｔ

Ｖｅｃｔｏｒ

滚动轴承是各种旋转机械中应用最广泛的通用零部件之一，其运行状态往往直接影响整机的性能。据统计，旋转机械的故障有３０％是由轴承故障引起的。根据滚动轴承在线振动信号监测其运行状态和实时进行故障诊断，是目前既普遍又行之有效的方法之一［１卫３］。轴承振动信号携带了丰富的运行工作状态信息，当振动信号从平稳向非平稳过渡时，其突变往往反映了轴承故障引起的撞击、振荡、结构变化、间隙变化和断裂等等。因此，对重要用途的轴承进行工况监测和故障模式的识别非常必要。图１和图２是试验中［４］得到的６３１０型正常轴承和故障轴承振动信号的典型时频谱图。从图中可见，正常轴承振动信号基本上是较平稳的随机白噪声信号，而故障轴承振动信号则是非平稳随机有色噪声信

号。

由于滚动轴承机械系统的复杂性和故障形式的多样性，振动信号和工作状态信息之间并不存在确定的函数关系，信号集与状态集之间是一个复杂的非线性映射。这就决定了滚动轴承故障诊断的难度和复杂性。因此，如何从监测信号中提取出故障信息是近年来现代信

收稿日期：ｚ００５一０９一０７修订日期：２００６一０７—３１

基金项目：吉林省教育厅科研基金项目（吉教科合字［２００５］第８８号）作者简介：陆爽（１９５７一），男，吉林省吉林市人，工学博士，教授，主要从事机械系统动态信号分析和设备故障智能诊断工作。金华市＠１６３．ｃｏｍ

浙江

浙江师范大学交通学院，３２１０１９。Ｅｍａｉｌ：ｌｕｓｈｕａｎ９６６６

Ｍａｃｈｉｎｅ，简称ＳＶＭ）

是在Ｖａｐｎｉｋ等人２０世纪７０年代初提出、９０年代逐渐完善的有限样本的理论体系一统计学习理论（Ｓｔａｔｉｓｔｉ—

ｃａｌＬｅａｒｎｉｎｇ

Ｔｈｅｏｒｙ，简称ＳＬＴ）基础上发展的一种新

的机器学习方法［１５’１６。，它最大的特点是解决了小样本、非线性和高维模式识别等实际工程中遇到的一些难题，并克服了神经网络学习方法中网络结构难以确定、收敛