基于PCA-LMD 的滚动轴承信号混合特征选取与故障诊断

为了对非平稳、低信噪比的轴承振动信号进行分析，提出1 种基于PCA-LMD 的滚动轴承振动信号混合特征选取及智能 故障诊断方法。基于Hankel 矩阵对实测轴承振动信号进行主成分分析（PCA）降噪处理。对降噪后的非平稳信号进行局部均值分解 （LMD），得到一系列具有瞬时物理意义的乘积函数（PF）。通过特征分析和对比，选取前5 阶PF 分量的能量比特征、样本熵、均方根及 波形指标作为信号混合特征向量。将特征向量输入到支持向量机（SVM）分类器进行训练与测试，从而实现故障诊断。结果表明：通过 对包含不同故障程度的滚动体、内圈、外圈故障的轴承实测数据进行分析，故障诊断正确率达到98%，验证了本方法的有效性，对航 空发动机轴承的故障诊断具有借鉴和指导作用。

Hybrid Feature Selection and Fault Diagnosis of Rolling Bearing Signals Based on Principal Component Analysis Denoising and Local Mean Decomposition (PCA-LMD)