基于改進閾值函數及SVM的滾動軸承故障診斷

李偉，韓振南

(太原理工大學機械工程學院，山西太原 030024)

0 前言

滾動軸承故障診斷的實質是狀態的識別過程，包括信號的采集、特征的選擇和提取、狀態的模式識別。

通常，采集的滾動軸承振動信號中夾雜著大量的隨機噪聲。故障特征往往受到這些噪聲的影響而不宜識別，甚至淹沒在強大的背景噪聲中。所以在信號分析過程中，首先應進行信號的去噪處理。

在眾多的去噪方法中，小波閾值去噪法因計算速度快，可以較好地抑制噪聲，且能很好地保留原始信號的特征尖峰點而得到廣泛地應用。由D L DONOHO和 I M JOHNSTONE［1－2］提出的硬閾值函數和軟閾值函數雖然在信號降噪中有較好的效果。但這兩種傳統閾值函數自身存在的不足會對重構信號的平滑性和精確性產生不良影響。文中提出的改進閾值函數，能克服傳統閾值函數的不足。并且函數中參數的可調性和對各尺度下小波系數的多分段處理，為去噪的優化提供了一種新的途徑。

支持向量機 (Support Vector Machines，SVM)是以統計學習理論中的VC維理論和結構風險最小化原理為基礎的新型機器學習方法。它與以神經網絡為代表的傳統機器學習方法相比，SVM解決了小樣本學習問題、高維問題、結構選擇問題、局部極值問題［3］。這些優點使支持向量機特別適用于小樣本實際問題的解決。目前，國內外學者在將SVM應用于軸承故障診斷方面進行了大量的嘗試。DIEGO等［4］僅采用正常軸承振動信號功率譜的子帶能量作為特征向量建立單……