【摘要】：針對軸承振動信號的非平穩(wěn)特征和現(xiàn)實中難以提取故障參數(shù)的情況,提出了一種基于圖像的軸承故障診斷方法即基于遞歸灰度圖(Improved Recurrence Plots,IRP)和雙向二維主成分分析(Two directional,Two dimensional Principal Component Analysis,TD2DPCA)的軸承故障診斷法。該方法對遞歸圖(Recurrence Plots,RP)中閾值選取的問題進行了優(yōu)化,提出了IRP算法,對采集到的軸承振動信號進行IRP分析,生成遞歸灰度圖;然后用TD2DPCA對生成的遞歸灰度圖進行特征參數(shù)提取,得到系數(shù)編碼矩陣;最后采用分類器對上述編碼矩陣直接進行模式識別,以實現(xiàn)軸承故障的自動化診斷。將該方法應用在軸承4種典型工況的故障診斷實例中,識別率高達99.8%,結果表明:基于IRP和TD2DPCA的軸承故障診斷方法能夠自適應的對軸承進行故障診斷,具有故障識別精度高、噪聲魯棒性好等優(yōu)點,為軸承振動診斷探索了一條新途徑。
[Abstract]:In view of the non-stationary feature of bearing vibration signal and the fact that it is difficult to extract fault parameters in reality, a method of bearing fault diagnosis based on image is proposed, which is based on recursive grayscale graph (Improved Recurrence Plots,IRP) and bidirectional two-dimensional principal component analysis (Two directional,). Two dimensional Principal Component Analysis,TD2DPCA) for bearing fault diagnosis. The method optimizes the threshold selection in recursive graph (Recurrence Plots,RP), and proposes a IRP algorithm, which is used to analyze the vibration signal of bearing by IRP and generate the recursive gray scale image. Then TD2DPCA is used to extract the feature parameters of the generated recursive gray image, and the coefficient coding matrix is obtained. Finally, the classifier is used to directly recognize the above coding matrix, so as to realize the automatic diagnosis of bearing fault. The method is applied to four typical cases of bearing fault diagnosis, and the recognition rate is as high as 99.8. The results show that the bearing fault diagnosis method based on IRP and TD2DPCA can self-adaptively diagnose the bearing fault. It has the advantages of high fault identification accuracy and good noise robustness, which provides a new way for bearing vibration diagnosis.
【作者單位】： 火箭軍工程大學理學院;火箭軍工程大學五系;
【基金】：國家自然科學基金(51405498) 陜西省自然科學基金(2013JQ8023) 中國博士后基金(2015M582642)
【分類號】：TH133.3

【相似文獻】

相關期刊論文 前10條

1 李三平,楊立芳,楊立功;鐵路貨車軸承故障診斷方法[J];軸承;2000年09期

2 ;軸承故障診斷有了“透視鏡”[J];機電設備;2001年06期

3 薛松;程珩;楊勇;;偽Wigner-Ville分布在電機軸承故障診斷中的應用[J];機械工程與自動化;2008年04期

4 趙志宏;楊紹普;;一種基于樣本熵的軸承故障診斷方法[J];振動與沖擊;2012年06期

5 黃晉英;潘宏俠;畢世華;楊喜旺;;基于高階累量譜的軸承故障診斷[J];火炮發(fā)射與控制學報;2007年02期

6 陶新民;徐晶;劉興麗;劉玉;;基于最大小波奇異譜的軸承故障診斷方法[J];振動、測試與診斷;2010年01期

7 喬世民;軸承故障診斷技術的發(fā)展[J];中國設備管理;1989年01期

8 李正安,李登嘯;單片機軸承故障診斷系統(tǒng)[J];軸承;1992年03期

9 楊望燦;張培林;張云強;;基于鄰域自適應局部保持投影的軸承故障診斷模型[J];振動與沖擊;2014年01期

10 朱文來;;希爾伯特-黃變換在軸承故障診斷中的應用研究[J];科技創(chuàng)新導報;2013年34期

相關會議論文 前8條

1 任獲榮;馬亞男;李勝剛;;熵隨機共振在軸承故障診斷中的應用研究[A];2012年陜西省焊接學術交流會論文集[C];2012年

2 李琳;張永祥;童艷;;基于聲發(fā)射和高階譜分析的滾動軸承故障診斷[A];設備監(jiān)測與診斷技術及其應用——第十二屆全國設備監(jiān)測與診斷學術會議論文集[C];2005年

3 高耀智;譚援強;;基于1(1/2)譜與小波分析相結合的滾動軸承故障診斷[A];2009年全國青年摩擦學學術會議論文集[C];2009年

4 陶新民;徐晶;杜寶祥;徐勇;;基于相空間奇異譜的SOM軸承故障診斷模型[A];第二十七屆中國控制會議論文集[C];2008年

5 喬文生;陳興輝;艾士娟;胡北;趙恒;;基于小波包和BP神經(jīng)網(wǎng)絡的滾動軸承故障診斷[A];第八屆全國設備與維修工程學術會議、第十三屆全國設備監(jiān)測與診斷學術會議論文集[C];2008年

6 沈路;周曉軍;張杰;;基于形態(tài)非抽樣小波與灰色關聯(lián)度的滾動軸承故障診斷[A];2011年機械電子學學術會議論文集[C];2011年

7 宋瀏陽;王華慶;高金吉;王峰;;基于蟻群算法的滾動軸承故障診斷[A];現(xiàn)代振動與噪聲技術（第九卷）[C];2011年

8 郝旺身;韓捷;董辛e，

本文編號：2400871