發(fā)布時間：2020-05-05 18:19

【摘要】：為實現(xiàn)滾動軸承早期故障的有效識別,將迭代共振稀疏分解(Iterative Resonance-Based Sparse Signal Decomposition, IRBSSD)和隱馬爾科夫模型(Hidden Markov Model, HMM)相結(jié)合,提出了基于IRBSSD和HMM模型的滾動軸承故障診斷方法。首先利用IRBSSD對軸承四種狀態(tài)(健康、外圈故障,內(nèi)圈故障及滾動體故障)的振動信號進行降噪；然后分別計算不同狀態(tài)下的時域特征參數(shù)和頻域特征參數(shù),使用主成分分析(Principle Component Analysis, PCA)對特征向量進行降維,獲得數(shù)量少且能保留原始信息特征的復合指標,組成特征向量,最后采用HMM對故障進行模式識別。主要內(nèi)容如下：1、基于迭代共振稀疏分解信號降噪方法研究。該方法首先根據(jù)沖擊成分的頻譜分布預設(shè)高Q因子的初始值,對軸承振動信號進行共振稀疏分解。然后以高共振分量的峭度值為判斷依據(jù),當其峭度值小于3時,改變高Q因子取值,以此時的低共振分量作為下次循環(huán)的輸入,繼續(xù)進行分解；大于3時,終止循環(huán)。最后對循環(huán)終止后的低共振分量求取包絡(luò)頻譜,根據(jù)極值點的頻率判斷故障類型并證明此方法在降噪的同時保留了信號的特征。使用仿真信號和實測信號分別對所提出方法進行驗證,并將診斷結(jié)果與共振稀疏分解及小波包降噪法進行對比,結(jié)果表明該方法能有效地濾除信號中的噪聲并保留軸承故障信號中的瞬態(tài)沖擊成分。2、基于分幀處理及PCA算法的特征向量構(gòu)建。對IRBSSD降噪后的各狀態(tài)軸承振動信號進行分幀處理,對每一幀信號都提取時、頻域特征參數(shù),引入PCA將多個特征參數(shù)轉(zhuǎn)換為少量的綜合指標,在避免丟失主要信息的基礎(chǔ)上,以構(gòu)造新的復合指標代替原有特征參數(shù),以達到減少參數(shù)數(shù)量和計算量的目的。3、基于HMM的軸承故障模式識別。將PCA降維后的復合特征參數(shù)組成特征向量,送入HMM模型進行訓練和識別。識別正確率達97.5%。通過仿真信號和實驗信號分析,并與從未經(jīng)降噪處理的方法相對比,基于IRBSSD與HMM的方法能有效實現(xiàn)軸承早期故障的模式識別,適用性較高,可用于實際軸承系統(tǒng)故障診斷。
【圖文】：

２N２形態(tài)分量分析與分裂X椆憷窶嗜帳賬跛惴ㄥ義洗踴迪低巢杉降男藕虐ǔ中竦闖煞鄭ǜ吖艙穹至浚┖退蔡寤鞒煞鄭ǖ灣義瞎艙穹至浚�，瞬态冲击成窚常包含着重要掉[岢薪】底刺畔�，所Ｗ轴承故针U鋃襄義系鬧饕撾窬褪譴硬杉降男藕胖刑崛∷蔡寤鞒煞幀５艙襝∈璺紙夥ɡ瞇翁義戲至糠治觶ǎ停錚潁穡瑁錚歟錚紓椋悖幔戾澹茫錚恚穡錚睿澹睿翦澹粒睿幔歟螅椋�，邋ＭＣＡ）邋口６Ｋ|藕胖姓竦蔥圓煌某懾義戲職唇蟹竅咝苑擲�，获得高、低古擇分量各拙壞租k畔∈璞硎拘問�。辶x霞偕璐紙廡藕牛厥怯篩齠懶⒎至孔槌�，即辶x希劐宥澹伲蓿兀脲危ǎ玻矗╁義希耄劍苠義希兀岜硎鏡冢糧齠懶⒎至�。所有稇孝分量的稀疏表示可Ｗ用下湿勴蕬至x希隋危隋義希ǎ�，，…，ａ＊｝邋ｏ溇^鰨螅簦澹街�？＊３＊逦（２－辶x希粒劍卞危粒劍卞義鮮街�，？邋Ｉ为第＜Z齠懶⒎至康南∈璞硎咀值�，ａ，，为峨sΦ南凳卣�。当获得ａ，簽沉x蝦�，脩┗庚f懶⒎至康墓蘭萍次傘７紙獾墓丶謨冢

本文編號：2650564