發(fā)布時(shí)間：2018-08-12 20:29

【摘要】：針對(duì)滾動(dòng)軸承高維故障特征集識(shí)別精度低的問(wèn)題,提出基于線性局部切空間排列(Linear Local Tangent Space Alignment,LLTSA)算法的維數(shù)約簡(jiǎn)故障診斷模型。首先結(jié)合小波包分解、時(shí)域、頻域及時(shí)頻域統(tǒng)計(jì)方法構(gòu)造全面表征軸承不同故障特性的混合域特征集,通過(guò)敏感度的特征選取方法,從混合特征集中選取軸承故障的敏感特征集,再利用LLTSA算法將高維敏感特征集約簡(jiǎn)為故障區(qū)分度更好的低維特征矢量,并用模糊C均值(Fuzzy C-means,FCM)聚類(lèi)算法進(jìn)行故障模式識(shí)別,本研究方法能夠突出不同特征對(duì)分類(lèi)的貢獻(xiàn)率,強(qiáng)化敏感特征,弱化不相關(guān)特征,提升了分類(lèi)精度。最后用深溝球軸承不同部位故障診斷實(shí)例驗(yàn)證該模型的有效性。
[Abstract]:Aiming at the problem of low recognition accuracy of high dimensional fault feature sets of rolling bearings, a dimension reduction fault diagnosis model based on linear local tangent space permutation (Linear Local Tangent Space alignment LLTSA) algorithm is proposed. Combining wavelet packet decomposition, time-domain and frequency-domain statistical methods, a hybrid feature set is constructed to fully characterize the different fault characteristics of bearings, and the sensitivity feature selection method is used. The sensitive feature set of bearing fault is selected from the hybrid feature set, and then the high dimension sensitive feature set is reduced to a lower dimension feature vector with better fault differentiation by using LLTSA algorithm, and the fault pattern recognition is carried out by using Fuzzy C-means clustering algorithm. This research method can highlight the contribution rate of different features to classification, strengthen sensitive features, weaken irrelevant features, and improve classification accuracy. Finally, the effectiveness of the model is verified by an example of fault diagnosis in different parts of deep groove ball bearings.
【作者單位】： 三峽大學(xué)水電機(jī)械設(shè)備設(shè)計(jì)與維護(hù)湖北省重點(diǎn)實(shí)驗(yàn)室;三峽大學(xué)機(jī)械與動(dòng)力學(xué)院;
【基金】：國(guó)家自然科學(xué)基金(51205230,51405264) 湖北省自然科學(xué)基金(2015CFB445)資助項(xiàng)目
【分類(lèi)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(chē)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)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)碩士學(xué)位論文 前6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

，

本文編號(hào)：2180278