本文關鍵詞：主分量分析和隱馬爾科夫模型結合的軸承監(jiān)測診斷方法

  更多相關文章： 混合域故障特征集 主分量分析 隱馬爾科夫模型 軸承監(jiān)測診斷

【摘要】：為了快速識別軸承的故障模式以及性能退化狀態(tài),提出了一種基于主分量分析和隱馬爾科夫模型的軸承監(jiān)測診斷方法。該方法首先提取了軸承振動信號的混合域故障特征集,使用主分量分析對混合域故障特征集降維,然后使用降維后的特征訓練隱馬爾科夫模型,最后用降維后的測試樣本測試模型的性能,根據(jù)隱馬爾科夫模型輸出的對數(shù)似然概率,確定軸承故障模式以及軸承的性能退化狀態(tài)。開展了不同狀態(tài)滾動軸承振動測試實驗,數(shù)據(jù)分析結果表明,提出的方法診斷準確率均能達到100%,相比基于補償距離選擇特征降維及隱馬爾科夫模型診斷方法,最高將分類離散度提高123.74%,并且在軸承的性能退化實驗中,提出的方法能在故障早期給出故障預警,證明了該方法的有效性和準確性。
【作者單位】： 西安交通大學機械制造系統(tǒng)工程國家重點實驗室;
【基金】：國家自然科學基金資助項目(51275379);國家自然科學基金創(chuàng)新研究群體資助項目(51421004)
【分類號】：TH133.3
【正文快照】： 滾動軸承是旋轉機械中應用最為廣泛的基礎零部件,也是最易損壞的元件之一[1]。據(jù)不完全統(tǒng)計,旋轉機械的故障約有30%是由滾動軸承的失效引起。因此,軸承一直都是設備狀態(tài)監(jiān)測與故障診斷領域的熱門研究對象[2]。由于軸承故障機理的復雜性,單一特征或單域特征難以全面刻畫軸承運

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 胡瑾秋;張來斌;胡春艷;李文強;;基于數(shù)據(jù)自組織挖掘的機械設備狀態(tài)退化預警方法[J];中國石油大學學報(自然科學版);2014年03期

2 趙羽蔚;嚴偉;陸后軍;俞翔棟;;岸邊集裝箱起重機司機操作意圖識別方法研究[J];船舶標準化工程師;2014年04期

3 ;[J];;年期

中國博士學位論文全文數(shù)據(jù)庫 前1條

1 李寧;旋轉機械的測試信號分析及隱馬爾科夫模型應用研究[D];重慶大學;2010年

中國碩士學位論文全文數(shù)據(jù)庫 前5條

1 吳超威;基于高斯混合隱馬爾科夫模型的滾動軸承故障診斷方法研究[D];湖南科技大學;2015年

2 徐宏武;基于隱馬爾科夫模型的軸承故障診斷方法研究[D];昆明理工大學;2016年

3 姚治業(yè);基于隱馬爾科夫模型的風電機組齒輪箱故障診斷研究[D];華北電力大學(北京);2016年

4 高倩云;基于迭代共振稀疏分解和隱馬爾科夫模型的滾動軸承故障診斷方法研究[D];北京化工大學;2016年

5 柳長昕;基于二維隱馬爾科夫模型的離心泵故障診斷方法研究[D];東北電力大學;2009年

，

本文編號：1254747