基于迭代共振稀疏分解和隱馬爾科夫模型的滾動(dòng)軸承故障診斷方法研究.pdf

1、為實(shí)現(xiàn)滾動(dòng)軸承早期故障的有效識(shí)別，將迭代共振稀疏分解(IterativeResonance-Based Sparse Signal Decomposition，IRBSSD)和隱馬爾科夫模型(Hidden Markov Model，HMM)相結(jié)合，提出了基于IRBSSD和HMM模型的滾動(dòng)軸承故障診斷方法。首先利用IRBSSD對(duì)軸承四種狀態(tài)（健康、外圈故障，內(nèi)圈故障及滾動(dòng)體故障）的振動(dòng)信號(hào)進(jìn)行降噪;然后分別計(jì)算不同狀態(tài)下的時(shí)域特征參數(shù)和頻

2、域特征參數(shù)，使用主成分分析(PrincipleComponent Analysis，PCA)對(duì)特征向量進(jìn)行降維，獲得數(shù)量少且能保留原始信息特征的復(fù)合指標(biāo)，組成特征向量，最后采用HMM對(duì)故障進(jìn)行模式識(shí)別。主要內(nèi)容如下:
　　1、基于迭代共振稀疏分解信號(hào)降噪方法研究。該方法首先根據(jù)沖擊成分的頻譜分布預(yù)設(shè)高Q因子的初始值，對(duì)軸承振動(dòng)信號(hào)進(jìn)行共振稀疏分解。然后以高共振分量的峭度值為判斷依據(jù)，當(dāng)其峭度值小于3時(shí)，改變高Q因子取值，以此時(shí)的低

3、共振分量作為下次循環(huán)的輸入，繼續(xù)進(jìn)行分解;大于3時(shí)，終止循環(huán)。最后對(duì)循環(huán)終止后的低共振分量求取包絡(luò)頻譜，根據(jù)極值點(diǎn)的頻率判斷故障類型并證明此方法在降噪的同時(shí)保留了信號(hào)的特征。使用仿真信號(hào)和實(shí)測(cè)信號(hào)分別對(duì)所提出方法進(jìn)行驗(yàn)證，并將診斷結(jié)果與共振稀疏分解及小波包降噪法進(jìn)行對(duì)比，結(jié)果表明該方法能有效地濾除信號(hào)中的噪聲并保留軸承故障信號(hào)中的瞬態(tài)沖擊成分。
　　2、基于分幀處理及PCA算法的特征向量構(gòu)建。對(duì)IRBSSD降噪后的各狀態(tài)軸承振動(dòng)信

4、號(hào)進(jìn)行分幀處理，對(duì)每一幀信號(hào)都提取時(shí)、頻域特征參數(shù)，引入PCA將多個(gè)特征參數(shù)轉(zhuǎn)換為少量的綜合指標(biāo)，在避免丟失主要信息的基礎(chǔ)上，以構(gòu)造新的復(fù)合指標(biāo)代替原有特征參數(shù)，以達(dá)到減少參數(shù)數(shù)量和計(jì)算量的目的。
　　3、基于HMM的軸承故障模式識(shí)別。將PCA降維后的復(fù)合特征參數(shù)組成特征向量，送入HMM模型進(jìn)行訓(xùn)練和識(shí)別。識(shí)別正確率達(dá)97.5％。通過(guò)仿真信號(hào)和實(shí)驗(yàn)信號(hào)分析，并與從未經(jīng)降噪處理的方法相對(duì)比，基于IRBSSD與HMM的方法能有效實(shí)現(xiàn)軸