基于HMM的滚动轴承故障诊断方法研究及硬件实现

发布时间：2020-05-25 17:26

【摘要】：滚动轴承是旋转机械设备中的关键组成部分,为保证机械设备在长时间、重负荷的情况下依然能够可靠、高效地工作,对滚动轴承开展状态监测与故障诊断的研究就具有重大意义。因此本文针对滚动轴承进行了故障诊断方法的研究,重点对其中的故障特征提取、故障特征降维和故障诊断识别进行了深入分析研究,提出了有效且完整的滚动轴承故障诊断方法。在此基础之上,将滚动轴承故障诊断方法在异构So C硬件平台上完成了移植实现,并对计算架构的设计进行了研究,验证了方法在异构So C平台上实现高性能计算的可行性与优越性。具体研究内容如下:对比分析了多种滚动轴承故障特征提取方法之后,选择效果最优的变分模态分解(Variational Mode Decomposition,VMD)方法来进行初步故障特征的提取。在此基础上,将奇异值分解(Singular Value Decomposition,SVD)应用于初步故障特征的降维之中。在保证故障特征信息有效的情况下,大大降低了后续模型输入训练的计算量。针对故障诊断识别方法,将在自然语言处理领域广泛使用的隐马尔科夫模型(Hidden Markov Model,HMM)应用于滚动轴承故障诊断领域。讨论分析了HMM的相关概念与基本算法之后,结合实际信号特点,对HMM模型中的特定参数采用高斯混合模型(Gaussian Mixed Model,GMM)拟合描述。从而对提取得到的故障特征进行基于GMM-HMM的滚动轴承故障模型构建。通过不同的滚动轴承实际数据来对本文提出的故障诊断方法进行测试验证。实验结果表明,采用VMD与SVD相结合的特征提取方法能够为GMM-HMM提供有效的训练特征样本,配合GMM-HMM模型能够快速完成滚动轴承故障模型的训练,实现了对滚动轴承运行状态的准确识别,保证了故障诊断的合理性与高效性。在基于Zynq-7000的异构So C硬件平台上,完成了滚动轴承故障诊断方法的移植实现,结合Lab VIEW的交互界面开发,进行了滚动轴承故障诊断系统的设计。在此基础上结合异构So C平台架构特点,针对滚动轴承故障诊断方法,设计了适合于硬件加速的数据通路,将其中部分算法的计算工作交给硬件实现。验证了在异构So C平台上,对滚动轴承故障诊断方法进行硬件加速的可靠性与合理性,同时也为复杂算法在嵌入式平台上实现高性能计算提供了一种设计参考。
【图文】：

时域波形,测试信号,时域波形

大负载的运行过程中，出现故障现象的概率大大增加。一旦现象就是机械运行过程中将出现异常的噪声和剧烈的振动。往同时表现出非平稳和非线性的特征性质，是一种复杂的多获取有用信息。因此，采用信号处理手段来对原始信号进行尤为重要。只有准确地挖掘出振动信号中包含故障特征，才故障诊断与模式识别打下坚实的基础。信号特征分析动轴承故障诊断的过程中，，从原始振动信号中提取出故障特。从图 2-1 中可以看出滚动轴承振动信号具有较多的尖峰，很出故障特征信息。若直接将信号进行变换到频域上（如图 2-出频率分布十分广泛，无法提取出明显的故障特征。故采用的故障特征提取方法难以适应在实际应用中的各类复杂信号征提取困难。对此下文将分别采用了 EMD、EEMD、EWT、自适应信号处理方法对滚动轴承中采集获得的振动信号展开研究工作。

包络曲线,信号频谱

态分解概念D 方法抛弃传统信号处理手段中采用固定基函数的思进行分析处理，大大增强了适用范围与鲁棒性。通过复杂噪声的原始信号中分解得到信号内部的有用信息，ntrinsic Mode Function，IMF）。EMD 方法能够显著减弱与耦合作用，并针对如滚动轴承振动信号这类的非平稳原理法的核心在于通过计算信号的极值并构建出包络信号反原理思路如下：信号 x t 中提取出的所有极大值和极小值以三次样条插而得到上下包络曲线。记上下包络的均值为1m ，则： x t m h
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TH133.33

【参考文献】