針對滾動(dòng)軸承振動(dòng)信號非線性、非平穩(wěn)的特點(diǎn),提出基于迭代濾波分解(iterative filtering decomposition, IFD)提取各分量特征,結(jié)合核極限學(xué)習(xí)機(jī)(kernel extreme learning machine, KELM)的故障診斷方法.通過對原始信號進(jìn)行IFD分解,得到一組本征模態(tài)函數(shù)(intrinsic mode functions, IMF).計(jì)算包含主要故障信息在內(nèi)的IMF分量能量與排列熵組成的故障特征向量,將特征向量作為KELM輸入識別軸承的故障類型.實(shí)驗(yàn)分析結(jié)果表明,以IFD作為預(yù)處理器的特征融合方法比經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition, EMD)為預(yù)處理器的特征融合方法有更高的故障識別率,并且該方法在少量樣本情況下仍能有效識別故障類型.
【部分圖文】：

設(shè)采樣頻率為1 024 Hz, 采樣時(shí)間為1 s. 分別用IFD和EMD對X(t)進(jìn)行分解, 結(jié)果如圖1所示. 圖1(a)為IFD分解得到的前4個(gè)IMF分量. 從時(shí)域波形圖中看出, IFD基本能夠?qū)?種頻率信號分離出來, 各模態(tài)之間基本沒有模態(tài)混疊現(xiàn)象. 圖1(b)反映了EMD分解仿真信號的前4個(gè)IMF分量的時(shí)域波形圖. 從圖中可以看出, EMD雖然可以識別出3個(gè)頻率成分, 但各模態(tài)之間存在一定的模態(tài)混疊, 分解結(jié)果容易受噪聲影響. 通過以上仿真信號可以初步證明, 對于含噪信號, IFD方法較EMD方法有更精確的分解結(jié)果, 能夠更好地抑制模態(tài)混疊.5 實(shí)驗(yàn)結(jié)果與分析

從圖中可以看出, 發(fā)生故障時(shí), 各頻段的能量和復(fù)雜度都發(fā)生顯著變化. IMF分量的能量和排列熵總體分布趨勢是減小的, 說明越往后的分量包含的故障信息越少. 軸承處于某一種狀態(tài)時(shí), 不同頻段的能量分布不同, 信號復(fù)雜度也不同, 將二者結(jié)合能夠彌補(bǔ)單個(gè)特征不能很好地區(qū)分軸承工作狀態(tài)的不足. 對于滾動(dòng)軸承不同的故障類型, 其本征模態(tài)分量的能量與排列熵都有較大的差異, 有利于實(shí)現(xiàn)對不同故障類型的分類.5.3 故障診斷實(shí)驗(yàn)

分別利用IFD和EMD對各組振動(dòng)信號進(jìn)行分解, 選取包含主要信息的前4個(gè)IMF分量, 計(jì)算每個(gè)IMF分量的能量與排列熵, 得到一個(gè)大小500 × 8的特征向量矩陣, 選擇Z-score方法對特征數(shù)據(jù)集標(biāo)準(zhǔn)化處理以提高數(shù)據(jù)間的可比性. 對10種數(shù)據(jù)依次賦予標(biāo)簽1～10, 抽取每種狀態(tài)的25組數(shù)據(jù)作為訓(xùn)練樣本, 余下25組數(shù)據(jù)作為測試樣本, 其中標(biāo)簽1為正常軸承, 標(biāo)簽2～4分別為故障直徑0.178 mm的內(nèi)圈、 外圈、 滾動(dòng)體輕度故障, 標(biāo)簽5～7分別為故障直徑為0.356 mm的內(nèi)圈、 外圈、 滾動(dòng)體中度故障, 標(biāo)簽8～10分別為故障直徑為0.533 mm的內(nèi)圈、 外圈、 滾動(dòng)體重度故障. 采用IFD-KELM與EMD-KELM兩種故障診斷方法的故障識別結(jié)果如圖3所示.從圖3中可以看出, IFD-KELM故障識別結(jié)果優(yōu)于EMD-KELM故障識別結(jié)果. 進(jìn)一步分析融合特征的優(yōu)勢, IFD與EMD提取的不同特征的故障識別率如表1所示. 由表1可知, 一方面, 由于機(jī)械設(shè)備的復(fù)雜性, 單一的故障信息難以充分描述設(shè)備的狀態(tài), 使用能量或排列熵作為故障特征的準(zhǔn)確率要低于能量與排列熵融合特征的準(zhǔn)確率. 另一方面, 基于IFD的故障診斷方法的準(zhǔn)確率高于EMD方法準(zhǔn)確率, 這是由于通過IFD分解得到的模態(tài)函數(shù)較EMD更加平穩(wěn), 在抑制模態(tài)混疊上有更好的效果, 模態(tài)混疊的減少將有利于故障特征的提取.
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 孫文卿;鄧艾東;鄧敏強(qiáng);朱靜;翟怡萌;程強(qiáng);劉洋;;基于隨機(jī)森林和自編碼的滾動(dòng)軸承多視角特征融合（英文）[J];Journal of Southeast University(English Edition);2019年03期

2 譚君賢;賀曉蓉;楊紹榮;熊文;;滾動(dòng)軸承故障智能診斷系統(tǒng)及故障測試實(shí)驗(yàn)[J];設(shè)備管理與維修;2012年07期

3 向丹;岑健;;基于EMD熵特征融合的滾動(dòng)軸承故障診斷方法[J];航空動(dòng)力學(xué)報(bào);2015年05期

4 張益純,劉振娟;滾動(dòng)軸承故障分析探討[J];內(nèi)燃機(jī)配件;2000年03期

5 張益純;滾動(dòng)軸承的故障判斷[J];設(shè)備管理與維修;1995年09期

6 楊陽;;滾動(dòng)軸承故障診斷方法研究[J];現(xiàn)代裝飾(理論);2016年03期

7 蘇志忠;吳金強(qiáng);張國新;;低速重載滾動(dòng)軸承故障診斷的研究與應(yīng)用[J];軸承;2008年11期

8 呼剛義;王凱;關(guān)雄飛;;噪聲環(huán)境下滾動(dòng)軸承故障的盲源分離[J];制造技術(shù)與機(jī)床;2013年04期

9 李鑫;;小波分析在滾動(dòng)軸承故障信號處理中的應(yīng)用[J];國外電子測量技術(shù);2013年06期

10 王延松，李樹才，蔣鈺潔;滾動(dòng)軸承故障的快速診斷[J];林業(yè)機(jī)械與木工設(shè)備;1996年03期

相關(guān)博士學(xué)位論文 前10條

1 廖強(qiáng);約束獨(dú)立分量和多小波分析在滾動(dòng)軸承故障診斷中的應(yīng)用[D];電子科技大學(xué);2016年

2 王聰;基于稀疏表達(dá)的機(jī)械信號處理方法及其在滾動(dòng)軸承故障診新中的應(yīng)用研究[D];中國科學(xué)技術(shù)大學(xué);2017年

3 池永為;滾動(dòng)軸承故障的振動(dòng)特性分析與智能診斷方法研究[D];浙江大學(xué);2018年

4 徐劍;基于短時(shí)奇異譜分析的滾動(dòng)軸承故障診斷方法研究[D];浙江大學(xué);2017年

5 曾鳴;基于凸包的模式識別方法及其在滾動(dòng)軸承故障診斷中的應(yīng)用[D];湖南大學(xué);2016年

6 于江林;滾動(dòng)軸承故障的非接觸聲學(xué)檢測信號特性及重構(gòu)技術(shù)研究[D];大慶石油學(xué)院;2009年

7 趙協(xié)廣;基于小波變換和經(jīng)驗(yàn)?zāi)B(tài)分解的滾動(dòng)軸承故障診斷方法研究[D];山東科技大學(xué);2009年

8 甘萌;信號的稀疏表達(dá)在滾動(dòng)軸承故障特征提取及智能診斷中的應(yīng)用研究[D];中國科學(xué)技術(shù)大學(xué);2017年

9 侯者非;強(qiáng)噪聲背景下滾動(dòng)軸承故障診斷的關(guān)鍵技術(shù)研究[D];武漢理工大學(xué);2010年

10 Ao Hung Linh（池雄嶺）;基于化學(xué)反應(yīng)優(yōu)化算法和支持向量機(jī)的滾動(dòng)軸承故障診斷方法研究[D];湖南大學(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 湯超;基于IFD與SVM的滾動(dòng)軸承故障診斷方法研究[D];昆明理工大學(xué);2016年

2 孫良棚;基于CEF和集成KELM的滾動(dòng)軸承RUL預(yù)測方法研究[D];哈爾濱理工大學(xué);2019年

3 俞昆;基于深度信念網(wǎng)絡(luò)與多傳感器信息融合的滾動(dòng)軸承故障診斷研究[D];青島理工大學(xué);2016年

4 高正;基于EWT和特征融合的鉆機(jī)鉆桿故障識別研究[D];浙江大學(xué);2019年

5 高朋飛;風(fēng)機(jī)滾動(dòng)軸承故障診斷方法研究[D];山東理工大學(xué);2014年

6 帥園園;車輛滾動(dòng)軸承故障診斷分析技術(shù)的研究[D];大連交通大學(xué);2008年

7 楊敏敏;基于支持向量機(jī)的滾動(dòng)軸承故障診斷方法研究[D];江西理工大學(xué);2012年

8 裴新才;基于遺傳神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法的研究[D];山東理工大學(xué);2012年

9 白文廣;基于虛擬儀器技術(shù)的滾動(dòng)軸承故障檢測系統(tǒng)的研究[D];華北電力大學(xué)（河北）;2008年

10 呂路勇;基于振動(dòng)信號的滾動(dòng)軸承故障診斷方法研究[D];華北電力大學(xué)（河北）;2008年

本文編號：2864060