基于乘积函数相关熵的滚动轴承故障辨识方法

发布时间：2018-07-17 04:37

【摘要】：为了提高多工况下对滚动轴承的故障辨识能力,本文提出以乘积函数相关熵为故障特征的滚动轴承故障辨识方法,并利用最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)实现自动辨识.首先对预处理的轴承振动信号进行局部均值分解,提取乘积函数(Product Function,PF),然后计算PF与原始信号的皮尔逊积矩相关系数熵,进而根据离散变量相关熵的估计模型得到乘积函数相关熵(Product Function Correntropy,PFC).以PFC为故障特征,结合LSSVM实现滚动轴承的故障识别.多组工况下的滚动轴承状态辨识实验证实了PFC比经典故障特征具有更高的故障辨识效率;另外改变工况参数提取轴承振动数据,验证了PFC-LSSVM方法具有更好的鲁棒辨识能力.综上所述,本文验证了LMD-PFC-LSSVM方法的高效性和实用性,为提高复杂工况下在线故障诊断能力提供了可靠的技术支持,具有广阔的应用前景.
[Abstract]:In order to improve the fault identification ability of rolling bearings under multiple working conditions, this paper presents a fault identification method for rolling bearings with product function correlation entropy as the fault feature, and uses least Square support Vector Machine (LSSVM) to realize automatic identification. Firstly, the preprocessed bearing vibration signal is decomposed with local mean, then the product function is extracted, and then the Pearson moment correlation coefficient entropy of PF and the original signal is calculated. Then the product function correlation entropy (PFC) is obtained according to the estimation model of discrete variable correlation entropy. The fault identification of rolling bearing is realized with PFC and LSSVM. The experiments of rolling bearing state identification under multiple working conditions show that PFC has higher fault identification efficiency than classical fault characteristics, and the PFC-LSSVM method has better robust identification ability by extracting bearing vibration data by changing operating condition parameters. To sum up, this paper verifies the efficiency and practicability of LMD-PFC-LSSVM, and provides reliable technical support for improving on-line fault diagnosis ability under complex working conditions, and has broad application prospects.
【作者单位】： 北京交通大学轨道交通控制与安全国家重点实验室;北京交通大学电气工程学院;北京交通大学北京市城市交通信息智能感知与服务工程技术研究中心;北京印刷学院机电工程学院;
【基金】：中央高校基本科研业务费专项资金 轨道交通控制与安全国家重点实验室自主研究课题(RCS2014ZT24)
【分类号】：TH133.33

【参考文献】

中国期刊全文数据库 前3条

1 张淑清;胡永涛;李盼;包红燕;姜万录;钱磊;;基于MEMD互近似熵及FCM聚类的轴承故障诊断方法[J];中国机械工程;2015年19期

2 程军圣;郑近德;杨宇;罗颂荣;;基于部分集成局部特征尺度分解与拉普拉斯分值的滚动轴承故障诊断模型[J];振动工程学报;2014年06期

3 成昊;唐斌;;基于相关熵的盲源分离算法[J];电子科技大学学报;2013年02期

【共引文献】

中国期刊全文数据库 前3条

1 付云骁;贾利民;秦勇;杨杰;张媛;;基于乘积函数相关熵的滚动轴承故障辨识方法[J];应用基础与工程科学学报;2016年02期

2 李静威;全厚德;;脉冲噪声条件下的相关熵谱估计[J];信号处理;2014年08期

3 王鑫;谭华忠;蒋华;;基于改进人工蜂群算法的视频水印[J];计算机工程与设计;2014年06期

【二级参考文献】

中国期刊全文数据库 前10条

1 时培明;李庚;韩东颖;;基于改进EMD的旋转机械耦合故障诊断方法研究[J];中国机械工程;2013年17期

2 王雪;李宣平;戴逸翔;;多相水平集协同空间模糊聚类图像多目标分割[J];机械工程学报;2013年20期

3 郑近德;程军圣;杨宇;;部分集成局部特征尺度分解:一种新的基于噪声辅助数据分析方法[J];电子学报;2013年05期

4 王金福;李富才;;机械故障诊断技术中的信号处理方法:时域分析[J];噪声与振动控制;2013年02期

5 张淑清;孙国秀;李亮;李新新;监雄;;基于LMD近似熵和FCM聚类的机械故障诊断研究[J];仪器仪表学报;2013年03期

6 周智;朱永生;张优云;朱川峰;王鹏;;基于EEMD和共振解调的滚动轴承自适应故障诊断[J];振动与冲击;2013年02期

7 沈维蕾;赵韩;周蓉;;基于模糊聚类分析的控制图变点估计研究[J];中国机械工程;2012年23期

8 郑近德;程军圣;杨宇;;基于改进的ITD和模糊熵的滚动轴承故障诊断方法[J];中国机械工程;2012年19期

9 程军圣;郑近德;杨宇;;基于局部特征尺度分解的经验包络解调方法及其在机械故障诊断中的应用[J];机械工程学报;2012年19期

10 程军圣;郑近德;杨宇;;一种新的非平稳信号分析方法——局部特征尺度分解法[J];振动工程学报;2012年02期

【相似文献】

中国期刊全文数据库 前10条

1 张益纯,刘振娟;滚动轴承故障分析探讨[J];内燃机配件;2000年03期

2 秦恺,陈进,姜鸣,陈春梅;一种滚动轴承故障特征提取的新方法——谱相关密度[J];振动与冲击;2001年01期

3 邓长春;;声发射法在滚动轴承故障识别中的应用[J];试验技术与试验机;2002年Z2期

4 任昭蓉;滚动轴承故障的小波诊断法[J];机械制造与自动化;2004年06期

5 陆爽,田野;滚动轴承故障特征识别的时频分析研究[J];机床与液压;2005年06期

6 江涌;基于余弦调频小波变换的滚动轴承故障研究[J];机械设计与制造;2005年06期

7 程光友;;时域指标在滚动轴承故障诊断中的应用[J];中国设备工程;2005年12期

8 陈洪军;赵新泽;王延军;;滚动轴承故障试验台的理论建模分析[J];四川理工学院学报(自然科学版);2005年04期

9 李崇晟;滚动轴承故障的非线性诊断方法[J];轴承;2005年05期

10 赵春华;严新平;赵新泽;袁成清;高虹亮;;滚动轴承故障的可拓物元诊断方法[J];润滑与密封;2006年04期

中国重要会议论文全文数据库 前10条

1 张益纯;;常见滚动轴承故障诊断的技术探讨[A];第十届全国设备监测与诊断技术学术会议论文集[C];2000年

2 刘玉林;;货车滚动轴承故障不分解诊断技术参数选择与优化探讨[A];扩大铁路对外开放、确保重点物资运输——中国科协2005年学术年会铁道分会场暨中国铁道学会学术年会和粤海通道运营管理学术研讨会论文集[C];2005年

3 杨积忠;左立建;;滚动轴承故障诊断实例[A];设备监测与诊断技术及其应用——第十二届全国设备监测与诊断学术会议论文集[C];2005年

4 何斌;戚佳杰;;小波分析在滚动轴承故障诊断中的应用研究[A];第九届全国振动理论及应用学术会议论文摘要集[C];2007年

5 李放宁;;峰值能量在滚动轴承故障诊断中的应用[A];第十届全国设备监测与诊断技术学术会议论文集[C];2000年

6 何斌;戚佳杰;;小波分析在滚动轴承故障诊断中的应用研究[A];第九届全国振动理论及应用学术会议论文集[C];2007年

7 张九军;;常见滚动轴承故障的简易诊断[A];2008年全国炼铁生产技术会议暨炼铁年会文集（上册）[C];2008年

8 李兴林;;滚动轴承故障诊断技术现状及发展[A];2009年全国青年摩擦学学术会议论文集[C];2009年

9 唐海峰;陈进;董广明;;信号稀疏分解方法在滚动轴承故障诊断中的应用[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

10 高耀智;;高阶统计量与小波分析相结合在滚动轴承故障诊断中的应用[A];2009年全国青年摩擦学学术会议论文集[C];2009年

中国博士学位论文全文数据库 前10条

1 郝腾飞;航空发动机滚动轴承故障的核方法智能识别技术研究[D];南京航空航天大学;2014年

2 于江林;滚动轴承故障的非接触声学检测信号特性及重构技术研究[D];大庆石油学院;2009年

3 杨柳松;基于小波分析与神经网络滚动轴承故障诊断方法的研究[D];东北林业大学;2013年

4 从飞云;基于滑移向量序列奇异值分解的滚动轴承故障诊断研究[D];上海交通大学;2012年

5 赵协广;基于小波变换和经验模态分解的滚动轴承故障诊断方法研究[D];山东科技大学;2009年

6 侯者非;强噪声背景下滚动轴承故障诊断的关键技术研究[D];武汉理工大学;2010年

7 郭艳平;面向风力发电机组齿轮箱滚动轴承故障诊断的理论与方法研究[D];浙江大学;2012年

8 孟涛;齿轮与滚动轴承故障的振动分析与诊断[D];西北工业大学;2003年

9 Ao Hung Linh（池雄岭）;基于化学反应优化算法和支持向量机的滚动轴承故障诊断方法研究[D];湖南大学;2014年

10 崔宝珍;自适应形态滤波与局域波分解理论及滚动轴承故障诊断[D];中北大学;2013年

中国硕士学位论文全文数据库 前10条

1 李男;基于LMD样本熵和贝叶斯网络的滚动轴承故障诊断方法[D];燕山大学;2015年

2 李玉奎;基于非平稳信号分析的滚动轴承故障诊断研究[D];燕山大学;2015年

3 卜勇霞;基于时频分析方法的滚动轴承故障诊断研究[D];昆明理工大学;2015年

4 马宝;基于KICA和LSSVM的滚动轴承故障监测及诊断方法[D];昆明理工大学;2015年

5 冯春生;基于多源不确定信息融合的数控机床滚动轴承故障诊断方法与实验研究[D];青岛理工大学;2015年

6 王天一;基于正交小波优化阈值降噪方法的滚动轴承故障诊断研究[D];哈尔滨工业大学;2015年

7 宋耀文;基于振动信号分析的滚动轴承故障特征提取与诊断研究[D];中国矿业大学;2015年

8 韩一村;基于多传感器的滚动轴承故障检测研究[D];河南科技大学;2015年

9 王秀娟;基于LMD的谱峭度算法在滚动轴承故障诊断中的应用研究[D];电子科技大学;2014年

10 段永强;局部均值分解法在滚动轴承故障自动诊断中的应用研究[D];电子科技大学;2015年

，

本文编号：2129038