基于商空间和支持向量机的滚动轴承故障智能诊断

发布时间：2021-10-08 02:19

　　针对滚动轴承故障诊断中存在的故障类型多样且有效特征难以选取等问题,提出了一种基于商空间和支持向量机的智能诊断模型。该模型利用商空间的粒化分层思想将输入样本按照不同等价关系进行粒化分层,并对每一粒度层的时域和频域特征进行约简,然后将每一层约简后的特征向量输入到支持向量机进行状态识别,最后对各粒度层状态识别结果加权融合得到最终结果。利用轴承全寿命试验数据对该模型进行验证,识别精度达到96.92%。 

【文章来源】：计量学报. 2020,41(07)北大核心CSCD

【文章页数】：7 页

【部分图文】：

基于商空间的特征约简流程

运用基于商空间的特征约简方法，利用SVM对小样本问题决策的优良性能，构建基于商空间和SVM的滚动轴承故障智能诊断模型，如图2所示，主要步骤为:1)数据采集和特征提取。采集滚动轴承的振动信号，构成初始论域U，并分为训练和测试两部分;提取振动信号的时域、频域特征构成初始特征集合A。将初始论域和初始特征集输入诊断模型。

为验证所建模型的有效性，本文采用滚动轴承疲劳寿命试验台的轴承全寿命数据对所提方法进行分析。试验中选择的测试轴承为天马30311圆锥滚子轴承，加载轴承为天马N312圆柱滚子轴承。在试验过程中，采样频率为12 kHz，每隔5 min采集一次数据计算一个均方根值，则全过程得到的所有均方根值的变化趋势如图3所示。依据滚动轴承在整个试验过程中均方根值的变化趋势，选取5个不同阶段(图3中A、B、C、D和E)的状态数据分别命名为工况1、工况2、工况3、工况4和工况5，用以表示滚动轴承在全寿命过程中的不同健康状态。每种状态数据采集28个样本，样本长度8 192。数据参数如表1所示，5种状态下滚动轴承的原始振动信号如图4所示。

【参考文献】：
期刊论文
[1]基于关联维数和线段聚类的滚动轴承故障诊断[J]. 孟宗,邢婷婷,张圆圆,周明军,殷娜.  计量学报. 2019(01)
[2]基于支持向量机和遗传算法的变压器故障诊断[J]. 吐松江·卡日,高文胜,张紫薇,莫文雄,王红斌,崔屹平.  清华大学学报(自然科学版). 2018(07)
[3]基于分形维数和GA-SVM的风电机组齿轮箱轴承故障诊断[J]. 时培明,梁凯,赵娜,安淑君.  计量学报. 2018(01)
[4]基于DEMD局部时频熵和SVM的风电齿轮箱故障诊断方法研究[J]. 孟宗,刘东,岳建辉,詹旭阳,马钊,李晶.  计量学报. 2017(04)
[5]概率统计下的多粒度搜索算法研究[J]. 张清华,郭永龙,薛玉斌.  模式识别与人工智能. 2015(05)
[6]多粒度的图像检索方法研究[J]. 郭庆文,王国胤,张清华.  计算机科学. 2013(01)
[7]分层递阶的模糊商空间结构分析[J]. 张清华,王国胤,刘显全.  模式识别与人工智能. 2008(05)
[8]模糊商空间理论(模糊粒度计算方法)[J]. 张铃,张钹.  软件学报. 2003(04)

硕士论文
[1]基于商空间的粒计算及其在数据挖掘中的应用[D]. 梁远银.四川师范大学 2013
[2]基于距离评估和粗糙集理论的流型特征选择方法[D]. 李超.东北电力大学 2010



本文编号：3423239