基于近鄰函數(shù)準則與支持向量機的滾動.pdf

1、滾動軸承在各種機械設(shè)備中起著關(guān)鍵的作用，同時它又是一種非常容易發(fā)生故障的零部件之一。滾動軸承的正常工作對保證生產(chǎn)制造過程中的安全、高效、優(yōu)質(zhì)運行意義非常重大，一旦發(fā)生故障，不僅會影響整個系統(tǒng)的正常工作，影響經(jīng)濟效益，甚至?xí)＜叭松戆踩Ｒ虼藢τ跐L動軸承故障診斷的研究非常重要。
　　損傷軸承在運轉(zhuǎn)過程中，由于臨近部件相互影響等因素，其振動信號為非平穩(wěn)信號。傳統(tǒng)的傅里葉分析只能獲得信號的整個頻譜，而難以獲得信號的局部特性，對于非平穩(wěn)信

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

3、tor Machine）進行故障類型識別的優(yōu)點是所需要的樣本數(shù)目較少，能夠解決很多機器學(xué)習(xí)方法所不能解決的難題如：模型選擇與過學(xué)習(xí)問題、非線性和維數(shù)災(zāi)難問題、局部極小點問題等，然而該算法本身也存在缺陷，比如有向無環(huán)圖支持向量機多類分類算法（Directed Acyclic Graph SVMs，簡寫為DAG-SVMS）在分類過程中存在誤差累積現(xiàn)象，即若在某個節(jié)點處發(fā)生分類錯誤，則會把分類錯誤延續(xù)到該節(jié)點的下層節(jié)點中。而且分類錯誤在越靠近

4、根節(jié)點的地方發(fā)生，誤差累積就越嚴重，分類性能越差。
　　為了解決這個問題，本文先利用近鄰函數(shù)準則算法進行初始聚類，然后再利用DAG-SVMS進行再次分類。利用該方法可以克服單獨利用支持向量機算法的缺點，使得分類識別效果更佳。
　　為了驗證該方法的有效性，本文利用工程車輛滾動軸承數(shù)據(jù)進行了實驗仿真，對采集的振動信號首先利用小波包分析方法進行信號降噪處理和能量特征提取，然后利用近鄰函數(shù)準則算法結(jié)合DAG-SVMS來進行故障類型分