針對滾動軸承振動信號非線性、非平穩(wěn)的特點,提出基于迭代濾波分解(iterative filtering decomposition, IFD)提取各分量特征,結合核極限學習機(kernel extreme learning machine, KELM)的故障診斷方法.通過對原始信號進行IFD分解,得到一組本征模態(tài)函數(shù)(intrinsic mode functions, IMF).計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.實驗分析結果表明,以IFD作為預處理器的特征融合方法比經(jīng)驗模態(tài)分解(empirical mode decomposition, EMD)為預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】：

設采樣頻率為1 024 Hz, 采樣時間為1 s. 分別用IFD和EMD對X(t)進行分解, 結果如圖1所示. 圖1(a)為IFD分解得到的前4個IMF分量. 從時域波形圖中看出, IFD基本能夠將3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IMF分量的時域波形圖. 從圖中可以看出, EMD雖然可以識別出3個頻率成分, 但各模態(tài)之間存在一定的模態(tài)混疊, 分解結果容易受噪聲影響. 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果, 能夠更好地抑制模態(tài)混疊.5 實驗結果與分析

從圖中可以看出, 發(fā)生故障時, 各頻段的能量和復雜度都發(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, 不同頻段的能量分布不同, 信號復雜度也不同, 將二者結合能夠彌補單個特征不能很好地區(qū)分軸承工作狀態(tài)的不足. 對于滾動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, 有利于實現(xiàn)對不同故障類型的分類.5.3 故障診斷實驗

分別利用IFD和EMD對各組振動信號進行分解, 選取包含主要信息的前4個IMF分量, 計算每個IMF分量的能量與排列熵, 得到一個大小500 × 8的特征向量矩陣, 選擇Z-score方法對特征數(shù)據(jù)集標準化處理以提高數(shù)據(jù)間的可比性. 對10種數(shù)據(jù)依次賦予標簽1～10, 抽取每種狀態(tài)的25組數(shù)據(jù)作為訓練樣本, 余下25組數(shù)據(jù)作為測試樣本, 其中標簽1為正常軸承, 標簽2～4分別為故障直徑0.178 mm的內(nèi)圈、 外圈、 滾動體輕度故障, 標簽5～7分別為故障直徑為0.356 mm的內(nèi)圈、 外圈、 滾動體中度故障, 標簽8～10分別為故障直徑為0.533 mm的內(nèi)圈、 外圈、 滾動體重度故障. 采用IFD-KELM與EMD-KELM兩種故障診斷方法的故障識別結果如圖3所示.從圖3中可以看出, IFD-KELM故障識別結果優(yōu)于EMD-KELM故障識別結果. 進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, 由于機械設備的復雜性, 單一的故障信息難以充分描述設備的狀態(tài), 使用能量或排列熵作為故障特征的準確率要低于能量與排列熵融合特征的準確率. 另一方面, 基于IFD的故障診斷方法的準確率高于EMD方法準確率, 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】

相關期刊論文 前10條

1 孫文卿;鄧艾東;鄧敏強;朱靜;翟怡萌;程強;劉洋;;基于隨機森林和自編碼的滾動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;;滾動軸承故障智能診斷系統(tǒng)及故障測試實驗[J];設備管理與維修;2012年07期

3 向丹;岑健;;基于EMD熵特征融合的滾動軸承故障診斷方法[J];航空動力學報;2015年05期

4 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

5 張益純;滾動軸承的故障判斷[J];設備管理與維修;1995年09期

6 楊陽;;滾動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;張國新;;低速重載滾動軸承故障診斷的研究與應用[J];軸承;2008年11期

8 呼剛義;王凱;關雄飛;;噪聲環(huán)境下滾動軸承故障的盲源分離[J];制造技術與機床;2013年04期

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

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

相關博士學位論文 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用[D];電子科技大學;2016年

2 王聰;基于稀疏表達的機械信號處理方法及其在滾動軸承故障診新中的應用研究[D];中國科學技術大學;2017年

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

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

5 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用[D];湖南大學;2016年

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

7 趙協(xié)廣;基于小波變換和經(jīng)驗模態(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

8 甘萌;信號的稀疏表達在滾動軸承故障特征提取及智能診斷中的應用研究[D];中國科學技術大學;2017年

9 侯者非;強噪聲背景下滾動軸承故障診斷的關鍵技術研究[D];武漢理工大學;2010年

10 Ao Hung Linh（池雄嶺）;基于化學反應優(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

相關碩士學位論文 前10條

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

2 孫良棚;基于CEF和集成KELM的滾動軸承RUL預測方法研究[D];哈爾濱理工大學;2019年

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

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

5 高朋飛;風機滾動軸承故障診斷方法研究[D];山東理工大學;2014年

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

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

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

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

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

本文編號：2864060