基于HMM的轴承故障诊断方法

发布时间：2020-04-07 03:29

【摘要】：滚动轴承是旋转机械中最常见也是最易损坏的部件之一。滚动轴承故障会导致机器产生异常振动和噪声,甚至引起机器损坏和人员伤亡等重大事故。因此研究轴承的故障诊断与监测具有十分重要的意义。 因此,本文采用一种近些年在语音识别技术中发展较快的模式识别技术——隐马尔可夫模型(Hidden Markov Model, HMM)来对滚动轴承的故障进行检测和诊断。它具有模式分类能力强、训练样本少、计算速度快等特点,比较适合非平稳滚动轴承故障振动信号分析。HMM实现的基本方法通过对振动信号进行特征提取,训练具有相应状态数的隐马尔可夫模型,然后计算待检测信号的相似概率,根据相似概率中的最大值及相应模型判断信号的状态,从而达到信号模式分类目的。 本文的主要工作是利用HMM进行滚动轴承的故障诊断,包括四项研究内容： 1.在学习和研究HMM理论的基础上,探讨了HMM三种经典算法在故障诊断中的实际功能,并编制了基于MATLAB的实现程序,从而验证了HMM理论在滚动轴承故障诊断中的可行性。 2.针对滚动轴承振动信号的非平稳性、调制以及易受背景噪声干扰等特点,采用小波变换对振动信号进行分解,提取一维信号中低频系数作为故障特征值。对提取后的特征值可根据矢量量化(Vector Quantization, VQ)原理对其进行转化,或利用高斯概率密度函数修正HMM参数,最后输入HMM进行判别。实验证明小波分析提取特征值并结合HMM进行判断在实际应用中是可行的。 3.使用非平稳信号分析的新方法—希尔伯特黄变换(Hilbert-Huang Transform)提取故障特征值,结合离散隐马尔可夫模型进行轴承状态判别。由于HHT提取的特征值简单,所以加快了HHT的训练和诊断速度,最终较好地提高了诊断精度。 4.在学习和研究上述理论的基础上,利用MATLAB GUI设计了滚动轴承故障特征提取与诊断的虚拟系统,并采用仿真和实验信号测试了该系统的有效性和实用性,为滚动轴承故障诊断系统的开发提供了一个范例。
【图文】：

承的故障特征频率均在1妞z一下，此项特征可以作为判断轴承故障的重要特征之一来对待。下面简单展示正常状态和三种典型故障的振动信号，分别如图1.2、图1.3、图1.4、图1.5和图1.6:0.1.08仿:04，

本文编号：2617389