【摘要】：滾動軸承振動信號中包含了大量軸承運行狀態(tài)信息,但是由于振動信號具有非線性和非平穩(wěn)性的特點,難以充分提取振動信號中的故障特征,導致現(xiàn)有基于模式識別的軸承故障診斷方法的故障識別準確率較低.為了提高滾動軸承故障識別的準確率,提出了一種基于集合經驗模態(tài)分解-排列熵(EEMD-PE)特征提取與多分類相關向量機(M-RVM)相結合的軸承故障診斷方法.首先,該方法利用EEMD對非線性和非平穩(wěn)信號的自適應分解能力,將軸承故障信號分解為一組包含故障特征的本征模態(tài)函數(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并組成特征向量.最后,采用EEMD-PE對不同故障狀態(tài)下的訓練樣本集進行特征提取,組成特征向量集對M-RVM分類器進行建模,以概率輸出的形式實現(xiàn)對滾動軸承的故障診斷.實驗結果表明:EEMD-PE特征提取方法能夠對滾動軸承振動信號的故障特征進行有效提取,M-RVM能夠對故障滾動軸承振動信號包含的故障特征進行識別.與現(xiàn)有軸承故障診斷方法相比較,所提出的方法能夠提高故障識別準確率,達到99.58%.
[Abstract]:The rolling bearing vibration signal contains a lot of bearing running state information, but because the vibration signal has the characteristics of nonlinearity and non-stationarity, it is difficult to fully extract the fault characteristics of the vibration signal. The fault recognition accuracy of the existing bearing fault diagnosis methods based on pattern recognition is low. In order to improve the accuracy of rolling bearing fault identification, a bearing fault diagnosis method based on set empirical mode decomposition, permutation entropy (EEMD-PE) feature extraction and multi-classification correlation vector machine (M-RVM) is proposed. Firstly, using the adaptive decomposition ability of EEMD for nonlinear and non-stationary signals, the bearing fault signals are decomposed into a set of intrinsic mode functions (IMFs).) with fault characteristics. Then, the permutation entropy is used to extract the fault features from the IMFs decomposed by EEMD, and the feature vector is formed. Finally, EEMD-PE is used to extract the feature of the training sample set in different fault states, and the feature vector set is formed to model the M-RVM classifier, and the fault diagnosis of rolling bearing is realized in the form of probability output. The experimental results show that the fault features of rolling bearing vibration signals can be effectively extracted by the method of extracting the fault features of the fault bearing by using the component EEMD-PE feature extraction method, and the fault features contained in the vibration signals of the rolling bearings can be identified by M-RVM. Compared with the existing methods of bearing fault diagnosis, the proposed method can improve the accuracy of fault identification and reach 99.58.
【作者單位】： 哈爾濱工業(yè)大學電氣工程及自動化學院;
【分類號】：TH133.33

【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10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神經網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 李偉;何濤;吳慶華;;小波變換與滾動軸承振動的故障診斷方法研究[A];湖北省機械工程學會青年分會2006年年會暨第2屆機械學院院長（系主任）會議論文集（上）[C];2006年

9 陳曉平;和衛(wèi)星;陳季云;;基于小波分析的滾動軸承振動信號處理[A];2008中國儀器儀表與測控技術進展大會論文集（Ⅰ）[C];2008年

10 邵俊鵬;賈慧娟;;基于小波包變換的滾動軸承振動信號特征提取[A];制造業(yè)與未來中國——2002年中國機械工程學會年會論文集[C];2002年

相關重要報紙文章 前1條

1 通訊員 蔡義杰 記者 唐先武;軸承故障診斷有了“透視鏡”[N];科技日報;2001年

相關博士學位論文 前1條

1 張銳戈;滾動軸承振動信號非平穩(wěn)、非高斯分析及故障診斷研究[D];西安電子科技大學;2014年

相關碩士學位論文 前10條

1 吳治南;基于小波變換與PNN神經網絡相結合的滾動軸承故障診斷[D];河北工程大學;2015年

2 趙江萍;滾動軸承故障診斷系統(tǒng)設計[D];中國計量學院;2015年

3 黃文靜;基于多特征量提取和PSO優(yōu)化神經網絡的軸承故障診斷[D];燕山大學;2016年

4 歐陽賀龍;基于全矢譜的風電軸承故障診斷[D];鄭州大學;2016年

5 黃建新;多傳感器數據融合技術在軸承故障診斷中的應用研究[D];武漢理工大學;2006年

6 趙興;基于時頻維數的滾動軸承故障診斷技術應用研究[D];大連交通大學;2013年

7 陳濤;低速重載軸承故障診斷的虛擬儀器研究[D];重慶大學;2005年

8 李學偉;支持向量機在嵌入式軸承故障診斷裝置中的研究與實現(xiàn)[D];東北大學;2010年

9 任鍇勝;基于DSP的嵌入式煤礦提升機天輪軸承故障診斷系統(tǒng)研究[D];山東大學;2011年

10 許茁;數據挖掘在軸承故障診斷中的應用[D];大連海事大學;2005年

，

本文編號：2178333