1、風機是水泥廠生產中通風收塵不可或缺的設備,范圍涉及到水泥生產的各個流程,一旦風機出現(xiàn)故障,將會給企業(yè)帶來無法估量的損失。滾動軸承是風機中的重要部件,也是易損件,論文將以風機滾動軸承為對象進行研究。
　　對于滾動軸承故障診斷來講,振動信號分析是最有效的方法。本文針對軸承發(fā)生故障時振動信號的特點,將經驗模態(tài)分解(Empirical Mode Decomposition,EMD)、排列熵與支持向量機(Support Vector Mac

2、hine,SVM)相結合,實現(xiàn)風機軸承的智能診斷。
　　由于軸承的振動信號是非平穩(wěn)非線性的,本文從時頻分析的角度研究了EMD分析方法。針對EMD分解過程中的端點效應問題,提出了互相關延拓方法來進行解決,消除端點處的振蕩現(xiàn)象,保證分解得到的是真實的本征模函數(Intrinsic Mode Function,IMF)。將IMF量化為排列熵指標,分析了EMD排列熵作為軸承振動信號特征信息的可行性和有效性,表明了EMD排列熵可以作為軸承振

3、動信號的特征信息。
　　論文對SVM核函數的選用進行了研究,提出了一種新的核函數。新核函數結構簡單,計算量小,核參數可以基于樣本自動調整。利用新SVM核函數進行訓練,采用交叉驗證的方法對訓練參數進行尋優(yōu),可以有效的克服過學習和欠學習的發(fā)生。在新核函數與徑向基核函數訓練模型的比較中發(fā)現(xiàn),新核函數的訓練方法有更高的準確率,更好的學習能力和泛化能力,能夠有效的對軸承故障進行分類。
　　將本文方法應用于風機滾動軸承的診斷之中,采集軸