基于迭代共振稀疏分解和隐马尔科夫模型的滚动轴承故障诊断方法研究
发布时间：2020-05-05 18:19
【摘要】：为实现滚动轴承早期故障的有效识别,将迭代共振稀疏分解(Iterative Resonance-Based Sparse Signal Decomposition, IRBSSD)和隐马尔科夫模型(Hidden Markov Model, HMM)相结合,提出了基于IRBSSD和HMM模型的滚动轴承故障诊断方法。首先利用IRBSSD对轴承四种状态(健康、外圈故障,内圈故障及滚动体故障)的振动信号进行降噪；然后分别计算不同状态下的时域特征参数和频域特征参数,使用主成分分析(Principle Component Analysis, PCA)对特征向量进行降维,获得数量少且能保留原始信息特征的复合指标,组成特征向量,最后采用HMM对故障进行模式识别。主要内容如下：1、基于迭代共振稀疏分解信号降噪方法研究。该方法首先根据冲击成分的频谱分布预设高Q因子的初始值,对轴承振动信号进行共振稀疏分解。然后以高共振分量的峭度值为判断依据,当其峭度值小于3时,改变高Q因子取值,以此时的低共振分量作为下次循环的输入,继续进行分解；大于3时,终止循环。最后对循环终止后的低共振分量求取包络频谱,根据极值点的频率判断故障类型并证明此方法在降噪的同时保留了信号的特征。使用仿真信号和实测信号分别对所提出方法进行验证,并将诊断结果与共振稀疏分解及小波包降噪法进行对比,结果表明该方法能有效地滤除信号中的噪声并保留轴承故障信号中的瞬态冲击成分。2、基于分帧处理及PCA算法的特征向量构建。对IRBSSD降噪后的各状态轴承振动信号进行分帧处理,对每一帧信号都提取时、频域特征参数,引入PCA将多个特征参数转换为少量的综合指标,在避免丢失主要信息的基础上,以构造新的复合指标代替原有特征参数,以达到减少参数数量和计算量的目的。3、基于HMM的轴承故障模式识别。将PCA降维后的复合特征参数组成特征向量,送入HMM模型进行训练和识别。识别正确率达97.5%。通过仿真信号和实验信号分析,并与从未经降噪处理的方法相对比,基于IRBSSD与HMM的方法能有效实现轴承早期故障的模式识别,适用性较高,可用于实际轴承系统故障诊断。
【图文】：
２N２形态分量分析与分裂X椆憷窭嗜帐账跛惴ㄥ义洗踊迪低巢杉降男藕虐ǔ中竦闯煞郑ǜ吖舱穹至浚┖退蔡寤鞒煞郑ǖ湾义瞎舱穹至浚蔡寤鞒煞滞ǔ０胖匾闹岢薪】底刺畔ⅲ字岢泄收险锒襄义系闹饕挝窬褪谴硬杉降男藕胖刑崛∷蔡寤鞒煞帧５舱裣∈璺纸夥ɡ眯翁义戏至糠治觯ǎ停铮颍穑瑁铮欤铮纾椋悖幔戾澹茫铮恚穑铮睿澹睿翦澹粒睿幔欤螅椋螅澹停茫粒╁蹇冢叮荩藕胖姓竦葱圆煌某慑义戏职唇蟹窍咝苑掷耄竦酶摺⒌凸舱穹至扛髯缘淖钣畔∈璞硎拘问健ｅ义霞偕璐纸庑藕牛厥怯筛龆懒⒎至孔槌桑村义希劐宥澹伲蓿兀脲危ǎ玻矗╁义希耄剑苠义希兀岜硎镜冢粮龆懒⒎至俊Ｋ卸懒⒎至康南∈璞硎究桑子孟率奖硎惧义希隋危隋义希ǎ幔幔澹饺绺鳎螅簦澹街埃浚常危ǎ玻担╁义希粒剑卞危粒剑卞义鲜街校垮澹晌冢粮龆懒⒎至康南∈璞硎咀值洌幔杂Φ南凳卣蟆５被竦茫幔湾义虾螅恳桓龆懒⒎至康墓兰萍次伞７纸獾墓丶谟冢
本文编号：2650564
【图文】：
２N２形态分量分析与分裂X椆憷窭嗜帐账跛惴ㄥ义洗踊迪低巢杉降男藕虐ǔ中竦闯煞郑ǜ吖舱穹至浚┖退蔡寤鞒煞郑ǖ湾义瞎舱穹至浚蔡寤鞒煞滞ǔ０胖匾闹岢薪】底刺畔ⅲ字岢泄收险锒襄义系闹饕挝窬褪谴硬杉降男藕胖刑崛∷蔡寤鞒煞帧５舱裣∈璺纸夥ɡ眯翁义戏至糠治觯ǎ停铮颍穑瑁铮欤铮纾椋悖幔戾澹茫铮恚穑铮睿澹睿翦澹粒睿幔欤螅椋螅澹停茫粒╁蹇冢叮荩藕胖姓竦葱圆煌某慑义戏职唇蟹窍咝苑掷耄竦酶摺⒌凸舱穹至扛髯缘淖钣畔∈璞硎拘问健ｅ义霞偕璐纸庑藕牛厥怯筛龆懒⒎至孔槌桑村义希劐宥澹伲蓿兀脲危ǎ玻矗╁义希耄剑苠义希兀岜硎镜冢粮龆懒⒎至俊Ｋ卸懒⒎至康南∈璞硎究桑子孟率奖硎惧义希隋危隋义希ǎ幔幔澹饺绺鳎螅簦澹街埃浚常危ǎ玻担╁义希粒剑卞危粒剑卞义鲜街校垮澹晌冢粮龆懒⒎至康南∈璞硎咀值洌幔杂Φ南凳卣蟆５被竦茫幔湾义虾螅恳桓龆懒⒎至康墓兰萍次伞７纸獾墓丶谟冢
本文编号：2650564
本文链接：https://www.wllwen.com/jixiegongchenglunwen/2650564.html
