基于近鄰函數(shù)準(zhǔn)則與支持向量機(jī)的滾動(dòng).pdf

1、滾動(dòng)軸承在各種機(jī)械設(shè)備中起著關(guān)鍵的作用，同時(shí)它又是一種非常容易發(fā)生故障的零部件之一。滾動(dòng)軸承的正常工作對(duì)保證生產(chǎn)制造過(guò)程中的安全、高效、優(yōu)質(zhì)運(yùn)行意義非常重大，一旦發(fā)生故障，不僅會(huì)影響整個(gè)系統(tǒng)的正常工作，影響經(jīng)濟(jì)效益，甚至?xí)＜叭松戆踩?。因此?duì)于滾動(dòng)軸承故障診斷的研究非常重要。
　　損傷軸承在運(yùn)轉(zhuǎn)過(guò)程中，由于臨近部件相互影響等因素，其振動(dòng)信號(hào)為非平穩(wěn)信號(hào)。傳統(tǒng)的傅里葉分析只能獲得信號(hào)的整個(gè)頻譜，而難以獲得信號(hào)的局部特性，對(duì)于非平穩(wěn)信

2、號(hào)難以獲得希望的結(jié)果，這給滾動(dòng)軸承故障診斷帶來(lái)了很大的困難。
　　為了克服傅里葉分析方法的弱點(diǎn)，本文采用小波分析方法。小波變換是一種信號(hào)的時(shí)間-尺度分析方法，它具有多分辨率的特點(diǎn)即對(duì)于信號(hào)的低頻部分具有較高的頻率分辨率和較低的時(shí)間分辨率，在信號(hào)高頻部分具有較高的時(shí)間分辨率和較低的頻率分辨率，它能有效地實(shí)現(xiàn)滾動(dòng)軸承的信號(hào)濾波和特征提取。
　　然后就需要利用提取出來(lái)的特征向量進(jìn)行故障類型識(shí)別了。支持向量機(jī)（Support Vec

3、tor Machine）進(jìn)行故障類型識(shí)別的優(yōu)點(diǎn)是所需要的樣本數(shù)目較少，能夠解決很多機(jī)器學(xué)習(xí)方法所不能解決的難題如：模型選擇與過(guò)學(xué)習(xí)問(wèn)題、非線性和維數(shù)災(zāi)難問(wèn)題、局部極小點(diǎn)問(wèn)題等，然而該算法本身也存在缺陷，比如有向無(wú)環(huán)圖支持向量機(jī)多類分類算法（Directed Acyclic Graph SVMs，簡(jiǎn)寫(xiě)為DAG-SVMS）在分類過(guò)程中存在誤差累積現(xiàn)象，即若在某個(gè)節(jié)點(diǎn)處發(fā)生分類錯(cuò)誤，則會(huì)把分類錯(cuò)誤延續(xù)到該節(jié)點(diǎn)的下層節(jié)點(diǎn)中。而且分類錯(cuò)誤在越靠近

4、根節(jié)點(diǎn)的地方發(fā)生，誤差累積就越嚴(yán)重，分類性能越差。
　　為了解決這個(gè)問(wèn)題，本文先利用近鄰函數(shù)準(zhǔn)則算法進(jìn)行初始聚類，然后再利用DAG-SVMS進(jìn)行再次分類。利用該方法可以克服單獨(dú)利用支持向量機(jī)算法的缺點(diǎn)，使得分類識(shí)別效果更佳。
　　為了驗(yàn)證該方法的有效性，本文利用工程車輛滾動(dòng)軸承數(shù)據(jù)進(jìn)行了實(shí)驗(yàn)仿真，對(duì)采集的振動(dòng)信號(hào)首先利用小波包分析方法進(jìn)行信號(hào)降噪處理和能量特征提取，然后利用近鄰函數(shù)準(zhǔn)則算法結(jié)合DAG-SVMS來(lái)進(jìn)行故障類型分