基于多特征指標(biāo)聚類(lèi)的軸承故障診斷.pdf

1、軸承作為眾多類(lèi)型旋轉(zhuǎn)機(jī)械的重要部件，一旦發(fā)生故障將影響整臺(tái)機(jī)械的正常運(yùn)行甚至導(dǎo)致失效。對(duì)于滾動(dòng)軸承的狀態(tài)監(jiān)測(cè)與故障診斷具有重要的意義。通過(guò)傳感器采集振動(dòng)信號(hào)，提取故障振動(dòng)信號(hào)的多特征指標(biāo)進(jìn)行模式識(shí)別是滾動(dòng)軸承故障診斷的重要方法。多特征指標(biāo)集的提取有利于更全面監(jiān)測(cè)軸承運(yùn)行狀態(tài)。然而在故障診斷領(lǐng)域，特征指標(biāo)的選取存在盲目性和經(jīng)驗(yàn)依賴(lài)的不足，關(guān)于故障特征的選取沒(méi)有可以通用的準(zhǔn)則。
　　本文針對(duì)多特征故障診斷中存在的特征選取盲目性和經(jīng)驗(yàn)主

2、義弊端，提出一種敏感度多特征指標(biāo)選取方法。該方法首先結(jié)合具體故障樣本，計(jì)算出故障特征集中所有特征指標(biāo)的敏感度值；然后結(jié)合具體故障診斷方法確定故障特征集最佳維數(shù)。本文以西儲(chǔ)大學(xué)軸承故障實(shí)驗(yàn)臺(tái)數(shù)據(jù)作為研究對(duì)象，首先提取了時(shí)域、頻域以及時(shí)頻域一共28個(gè)特征指標(biāo)。依據(jù)基于敏感度的多特征指標(biāo)選取方法，按敏感度值由高到低從原有故障特征集中選取了12組特征指標(biāo)構(gòu)成敏感度特征集；又從原有故障特征集中隨機(jī)抽取2組各12個(gè)特征構(gòu)成隨機(jī)特征集1和2進(jìn)行對(duì)比分

3、析。
　　對(duì)三種降維方法PCA、KPCA以及LLTSA（線性局部切空間排列）通過(guò)兩組數(shù)據(jù)降維實(shí)驗(yàn)進(jìn)行比較分析，基于流形學(xué)習(xí)的LLTSA算法對(duì)于高維數(shù)據(jù)的降維能夠保留數(shù)據(jù)內(nèi)在幾何結(jié)構(gòu)，因而選擇了LLTSA算法用于故障多特征指標(biāo)集的降維。然后結(jié)合模糊C均值聚類(lèi)算法對(duì)軸承故障進(jìn)行故障診斷分析，實(shí)例證明基于敏感度的多特征指標(biāo)選取方法選取的特征集故障識(shí)別準(zhǔn)確率高于隨機(jī)選取的特征集；基于流形學(xué)習(xí)的LLTSA算法對(duì)高維故障特征集的降維能明顯提高