【摘要】：滾動(dòng)軸承振動(dòng)信號(hào)中包含了大量軸承運(yùn)行狀態(tài)信息,但是由于振動(dòng)信號(hào)具有非線性和非平穩(wěn)性的特點(diǎn),難以充分提取振動(dòng)信號(hào)中的故障特征,導(dǎo)致現(xiàn)有基于模式識(shí)別的軸承故障診斷方法的故障識(shí)別準(zhǔn)確率較低.為了提高滾動(dòng)軸承故障識(shí)別的準(zhǔn)確率,提出了一種基于集合經(jīng)驗(yàn)?zāi)B(tài)分解-排列熵(EEMD-PE)特征提取與多分類相關(guān)向量機(jī)(M-RVM)相結(jié)合的軸承故障診斷方法.首先,該方法利用EEMD對(duì)非線性和非平穩(wěn)信號(hào)的自適應(yīng)分解能力,將軸承故障信號(hào)分解為一組包含故障特征的本征模態(tài)函數(shù)(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(duì)不同故障狀態(tài)下的訓(xùn)練樣本集進(jìn)行特征提取,組成特征向量集對(duì)M-RVM分類器進(jìn)行建模,以概率輸出的形式實(shí)現(xiàn)對(duì)滾動(dòng)軸承的故障診斷.實(shí)驗(yàn)結(jié)果表明:EEMD-PE特征提取方法能夠?qū)L動(dòng)軸承振動(dòng)信號(hào)的故障特征進(jìn)行有效提取,M-RVM能夠?qū)收蠞L動(dòng)軸承振動(dòng)信號(hào)包含的故障特征進(jìn)行識(shí)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(shí)別準(zhǔn)確率,達(dá)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(xué)電氣工程及自動(dòng)化學(xué)院;
【分類號(hào)】：TH133.33

【相似文獻(xiàn)】

相關(guān)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(jī)電設(shè)備;2001年06期

3 薛松;程珩;楊勇;;偽Wigner-Ville分布在電機(jī)軸承故障診斷中的應(yīng)用[J];機(jī)械工程與自動(dòng)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(dòng)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(xué)報(bào);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(dòng)、測(cè)試與診斷;2010年01期

7 喬世民;軸承故障診斷技術(shù)的發(fā)展[J];中國(guó)設(shè)備管理;1989年01期

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

9 楊望燦;張培林;張?jiān)茝?qiáng);;基于鄰域自適應(yīng)局部保持投影的軸承故障診斷模型[J];振動(dòng)與沖擊;2014年01期

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

相關(guān)會(huì)議論文 前10條

1 任獲榮;馬亞男;李勝剛;;熵隨機(jī)共振在軸承故障診斷中的應(yīng)用研究[A];2012年陜西省焊接學(xué)術(shù)交流會(huì)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(dòng)軸承故障診斷[A];設(shè)備監(jiān)測(cè)與診斷技術(shù)及其應(yīng)用——第十二屆全國(guó)設(shè)備監(jiān)測(cè)與診斷學(xué)術(shù)會(huì)議論文集[C];2005年

3 高耀智;譚援強(qiáng);;基于1(1/2)譜與小波分析相結(jié)合的滾動(dòng)軸承故障診斷[A];2009年全國(guó)青年摩擦學(xué)學(xué)術(shù)會(huì)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(guó)控制會(huì)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(luò)的滾動(dòng)軸承故障診斷[A];第八屆全國(guó)設(shè)備與維修工程學(xué)術(shù)會(huì)議、第十三屆全國(guó)設(shè)備監(jiān)測(cè)與診斷學(xué)術(shù)會(huì)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(guān)聯(lián)度的滾動(dòng)軸承故障診斷[A];2011年機(jī)械電子學(xué)學(xué)術(shù)會(huì)議論文集[C];2011年

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

8 李偉;何濤;吳慶華;;小波變換與滾動(dòng)軸承振動(dòng)的故障診斷方法研究[A];湖北省機(jī)械工程學(xué)會(huì)青年分會(huì)2006年年會(huì)暨第2屆機(jī)械學(xué)院院長(zhǎng)（系主任）會(huì)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(dòng)軸承振動(dòng)信號(hào)處理[A];2008中國(guó)儀器儀表與測(cè)控技術(shù)進(jìn)展大會(huì)論文集（Ⅰ）[C];2008年

10 邵俊鵬;賈慧娟;;基于小波包變換的滾動(dòng)軸承振動(dòng)信號(hào)特征提取[A];制造業(yè)與未來(lái)中國(guó)——2002年中國(guó)機(jī)械工程學(xué)會(huì)年會(huì)論文集[C];2002年

相關(guān)重要報(bào)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?qǐng)?bào);2001年

相關(guān)博士學(xué)位論文 前1條

1 張銳戈;滾動(dòng)軸承振動(dòng)信號(hào)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(xué);2014年

相關(guān)碩士學(xué)位論文 前10條

1 吳治南;基于小波變換與PNN神經(jīng)網(wǎng)絡(luò)相結(jié)合的滾動(dòng)軸承故障診斷[D];河北工程大學(xué);2015年

2 趙江萍;滾動(dòng)軸承故障診斷系統(tǒng)設(shè)計(jì)[D];中國(guó)計(jì)量學(xué)院;2015年

3 黃文靜;基于多特征量提取和PSO優(yōu)化神經(jīng)網(wǎng)絡(luò)的軸承故障診斷[D];燕山大學(xué);2016年

4 歐陽(yáng)賀龍;基于全矢譜的風(fēng)電軸承故障診斷[D];鄭州大學(xué);2016年

5 黃建新;多傳感器數(shù)據(jù)融合技術(shù)在軸承故障診斷中的應(yīng)用研究[D];武漢理工大學(xué);2006年

6 趙興;基于時(shí)頻維數(shù)的滾動(dòng)軸承故障診斷技術(shù)應(yīng)用研究[D];大連交通大學(xué);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(xué);2005年

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

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

10 許茁;數(shù)據(jù)挖掘在軸承故障診斷中的應(yīng)用[D];大連海事大學(xué);2005年

，

本文編號(hào)：2178333