本文關(guān)鍵詞：基于LMD-CM-PCA的滾動軸承故障診斷方法　出處：《振動.測試與診斷》2017年02期 　論文類型：期刊論文

  更多相關(guān)文章： 局部均值分解 融合相關(guān)熵矩陣 主成分分析 滾動軸承 故障診斷 可視化

【摘要】：為提高在非平穩(wěn)工況下對滾動軸承故障的直觀辨識能力,筆者提出基于LMD-CM-PCA的故障診斷方法。首先,對滾動軸承振動信號進行局部均值分解(local mean decomposition,簡稱LMD),提取乘積函數(shù)(product function,簡稱PF)矩陣;然后,計算PF矩陣與原振動信號的皮氏相關(guān)系數(shù)(pearson product-moment correlation coefficient,簡稱PPCC),將PFs對應(yīng)的PPCC代入相關(guān)熵模型得到PF的相關(guān)熵矩陣(correntropy matrix,簡稱CM),CM經(jīng)主成分分析(principal component analysis,簡稱PCA)進行特征變換得到融合相關(guān)熵矩陣(integrated correntropy matrix,簡稱ICM)。分別在輕微和嚴重故障時,對滾動軸承不同工況下的振動樣本進行交叉混合,并計算其ICM。結(jié)果證明,ICM在可視維度比傳統(tǒng)特征(如:能量矩和譜峭度)的融合特征更能隔離工況對故障可分性的干擾。LMD-CM-PCA方法為滾動軸承故障的直觀辨識提供了技術(shù)支持,在故障診斷方面具有良好的應(yīng)用前景。
[Abstract]:In order to improve the intuitionistic identification ability of rolling bearing fault under non-stationary conditions, a fault diagnosis method based on LMD-CM-PCA is proposed. The local mean decompositions (LMDs) are used to decompose the vibration signals of rolling bearings. The product function matrix is extracted. Then the Pearson product-moment correlation coefficient of the PF matrix and the original vibration signal is calculated. The correlation entropy matrix of PF is obtained by adding PPCC corresponding to PFs into the correlation entropy model. CM was analyzed by principal component analysis (PCA) and principal component analysis. The fusion correlation entropy matrix and integrated correntropy matrix are obtained by feature transformation. The vibration samples of rolling bearings under different working conditions were cross-mixed with each other in the case of minor and severe faults, and the ICMs were calculated. ICM in visual dimension than traditional features (such as energy moment and spectral kurtosis). LMD-CM-PCA method provides technical support for the visual identification of rolling bearing faults. It has a good application prospect in fault diagnosis.
【作者單位】： 北京交通大學軌道交通控制與安全國家重點實驗室;北京交通大學電氣工程學院;北京交通大學北京市城市交通信息智能感知與服務(wù)工程技術(shù)研究中心;
【基金】：科技部科技支撐計劃資助項目(116B300011) 軌道交通控制與安全國家重點實驗室自主研究課題項目(116K00100)
【分類號】：TH133.33
【正文快照】： 引言滾動軸承是大型旋轉(zhuǎn)機械、關(guān)鍵電氣設(shè)備的力矩轉(zhuǎn)換部件,其健康狀態(tài)對設(shè)備安全具有重大影響。非平穩(wěn)運行工況對滾動軸承故障診斷的置信度干擾明顯,僅僅依靠改進模式識別方法不能從根本上解決此類問題,而優(yōu)秀的故障特征,才是提高診斷率的根本。若特征分布不能直觀可視,診斷

【相似文獻】

相關(guān)期刊論文 前10條

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

2 秦愷,陳進,姜鳴,陳春梅;一種滾動軸承故障特征提取的新方法——譜相關(guān)密度[J];振動與沖擊;2001年01期

3 鄧長春;;聲發(fā)射法在滾動軸承故障識別中的應(yīng)用[J];試驗技術(shù)與試驗機;2002年Z2期

4 任昭蓉;滾動軸承故障的小波診斷法[J];機械制造與自動化;2004年06期

5 陸爽,田野;滾動軸承故障特征識別的時頻分析研究[J];機床與液壓;2005年06期

6 江涌;基于余弦調(diào)頻小波變換的滾動軸承故障研究[J];機械設(shè)計與制造;2005年06期

7 程光友;;時域指標在滾動軸承故障診斷中的應(yīng)用[J];中國設(shè)備工程;2005年12期

8 陳洪軍;趙新澤;王延軍;;滾動軸承故障試驗臺的理論建模分析[J];四川理工學院學報(自然科學版);2005年04期

9 李崇晟;滾動軸承故障的非線性診斷方法[J];軸承;2005年05期

10 趙春華;嚴新平;趙新澤;袁成清;高虹亮;;滾動軸承故障的可拓物元診斷方法[J];潤滑與密封;2006年04期

相關(guān)會議論文 前10條

1 張益純;;常見滾動軸承故障診斷的技術(shù)探討[A];第十屆全國設(shè)備監(jiān)測與診斷技術(shù)學術(shù)會議論文集[C];2000年

2 楊積忠;左立建;;滾動軸承故障診斷實例[A];設(shè)備監(jiān)測與診斷技術(shù)及其應(yīng)用——第十二屆全國設(shè)備監(jiān)測與診斷學術(shù)會議論文集[C];2005年

3 何斌;戚佳杰;;小波分析在滾動軸承故障診斷中的應(yīng)用研究[A];第九屆全國振動理論及應(yīng)用學術(shù)會議論文摘要集[C];2007年

4 李放寧;;峰值能量在滾動軸承故障診斷中的應(yīng)用[A];第十屆全國設(shè)備監(jiān)測與診斷技術(shù)學術(shù)會議論文集[C];2000年

5 何斌;戚佳杰;;小波分析在滾動軸承故障診斷中的應(yīng)用研究[A];第九屆全國振動理論及應(yīng)用學術(shù)會議論文集[C];2007年

6 張九軍;;常見滾動軸承故障的簡易診斷[A];2008年全國煉鐵生產(chǎn)技術(shù)會議暨煉鐵年會文集（上冊）[C];2008年

7 李興林;;滾動軸承故障診斷技術(shù)現(xiàn)狀及發(fā)展[A];2009年全國青年摩擦學學術(shù)會議論文集[C];2009年

8 唐海峰;陳進;董廣明;;信號稀疏分解方法在滾動軸承故障診斷中的應(yīng)用[A];第十二屆全國設(shè)備故障診斷學術(shù)會議論文集[C];2010年

9 高耀智;;高階統(tǒng)計量與小波分析相結(jié)合在滾動軸承故障診斷中的應(yīng)用[A];2009年全國青年摩擦學學術(shù)會議論文集[C];2009年

10 和衛(wèi)星;陳曉平;馬東玲;;基于混沌時間序列的滾動軸承故障局部預(yù)測[A];2009中國儀器儀表與測控技術(shù)大會論文集[C];2009年

相關(guān)博士學位論文 前10條

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

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

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

4 楊柳松;基于小波分析與神經(jīng)網(wǎng)絡(luò)滾動軸承故障診斷方法的研究[D];東北林業(yè)大學;2013年

5 從飛云;基于滑移向量序列奇異值分解的滾動軸承故障診斷研究[D];上海交通大學;2012年

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

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

8 郭艷平;面向風力發(fā)電機組齒輪箱滾動軸承故障診斷的理論與方法研究[D];浙江大學;2012年

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

10 崔寶珍;自適應(yīng)形態(tài)濾波與局域波分解理論及滾動軸承故障診斷[D];中北大學;2013年

相關(guān)碩士學位論文 前10條

1 李男;基于LMD樣本熵和貝葉斯網(wǎng)絡(luò)的滾動軸承故障診斷方法[D];燕山大學;2015年

2 李玉奎;基于非平穩(wěn)信號分析的滾動軸承故障診斷研究[D];燕山大學;2015年

3 卜勇霞;基于時頻分析方法的滾動軸承故障診斷研究[D];昆明理工大學;2015年

4 馬寶;基于KICA和LSSVM的滾動軸承故障監(jiān)測及診斷方法[D];昆明理工大學;2015年

5 王天一;基于正交小波優(yōu)化閾值降噪方法的滾動軸承故障診斷研究[D];哈爾濱工業(yè)大學;2015年

6 宋耀文;基于振動信號分析的滾動軸承故障特征提取與診斷研究[D];中國礦業(yè)大學;2015年

7 韓一村;基于多傳感器的滾動軸承故障檢測研究[D];河南科技大學;2015年

8 王秀娟;基于LMD的譜峭度算法在滾動軸承故障診斷中的應(yīng)用研究[D];電子科技大學;2014年

9 段永強;局部均值分解法在滾動軸承故障自動診斷中的應(yīng)用研究[D];電子科技大學;2015年

10 黃宏臣;基于流形學習算法的滾動軸承故障識別研究[D];太原理工大學;2014年

，

本文編號：1361698