滚动轴承状态监测：LMD-PCA-LSSVM安全域估计与故障识别

"这篇论文提出了一种基于局部均值分解（LMD）、主成分分析（PCA）和最小二乘支持向量机（LSSVM）的滚动轴承安全域估计和状态辨识方法，用于滚动轴承的状态监测。通过LMD对振动数据进行分解，PCA提取关键特征，LSSVM进行状态分类，从而实现对滚动轴承正常和故障状态的高效识别。" 在滚动轴承的状态监测中，安全域的概念被引入以评估设备的健康状况。该方法首先采用LMD技术对时间序列数据进行分析，LMD是一种信号分解方法，能够将复杂信号分解成一系列简单且物理意义明确的乘积函数分量，这些分量反映了信号的不同动态特性。在本研究中，通过对滚动轴承在不同状态下的振动数据进行分段和LMD处理，可以提取出反映轴承状态的关键信息。 接下来，主成分分析（PCA）被用来降维并提取特征。PCA能够从大量的原始数据中找到主要的变异方向，将乘积函数分量转化为一组新的正交变量，即主成分，这些主成分能保留原始数据的主要信息，并且可以有效地减少数据的复杂性。论文中提到，利用每段数据的主成分，特别是统计量如谱峰能量（SPE），可以建立滚动轴承的状态特征量，这些特征量对于区分不同状态至关重要。 最后，使用最小二乘支持向量机（LSSVM）进行状态分类。LSSVM是一种监督学习模型，特别适合小样本和非线性问题。在这个应用中，LSSVM用于估计滚动轴承的安全域，即判断轴承是否处于安全运行的状态，同时也用于识别轴承的正常状态以及滚动体、内圈和外圈等特定故障状态。通过二分类的LSSVM估计安全域，多分类的LSSVM则用于区分四种不同的工作状态。 实验结果表明，这种方法在安全域估计和多种状态辨识上的准确率较高，证明了该方法在滚动轴承状态监测中的有效性和实用性。这种方法的应用有助于早期发现潜在的故障，提高设备的可靠性，降低维护成本，对于工业设备健康管理具有重要的理论和实践价值。 关键词：滚动轴承，状态监测，安全域，局部均值分解，主成分分析，最小二乘支持向量机。