基于双树复小波包变换和SVM的滚动轴承故障诊断方法

作者:胥永刚;孟志鹏;陆明 刊名:航空动力学报 上传者:袁鑫磊

【摘要】针对滚动轴承故障振动信号的非平稳性和现实中难以获得大量典型故障样本的情况,提出一种基于双树复小波包变换和支持向量机(SVM)的故障诊断方法.首先通过双树复小波包变换将非平稳的振动信号分解得到不同频带的分量;然后对每个分量求其能量并归一化处理;最后将从各个频带分量中提取的能量特征参数作为支持向量机的输入来识别滚动轴承的故障类型.对试验台模拟信号(包括滚动轴承的正常状态、外圈裂纹故障、内圈裂纹故障和滚动体点蚀故障)的分析表明:该方法对所测试验信号的故障识别率达到99.5%,对比传统小波包变换与SVM结合的方法,故障识别率的准确度更高.

全文阅读

在机电设备中,滚动轴承是最关键的零部件之一,滚动轴承的工作状态将影响整个设备的运行状况.滚动轴承故障是引起机电设备发生故障最主要的原因之一[1],尤其针对一些航空航天类机械以及连续运行的机械设备,滚动轴承的故障诊断具有很重要的实际意义.故障诊断过程包括故障信息的获取、故障特征信息的提取和状态识别三个部分.其中故障特征信息的提取和状态识别是两个关键环节[2].图1DT-CWPT的分解和重构过程Fig.1DecompositionandreconstructionprocessofDT-CWPT实际工况中,所测取的滚动轴承振动信号常含有较强的背景噪声,同时呈现出典型的非平稳特性,从而给滚动轴承故障特征信息的提取带来了困难.双树复小波包变换[3]作为一种新型的信号处理方法,具有近似平移不变性等诸多优良性质,目前在很多领域都有相关应用,如图像处理[4]、语音信号处理[5]、设备故障诊断[6-8]等.目前,在故障诊断的状态识别中常用的是基于人工神经网络分类器的模式识别方法,人工神经网络具有较强自组织、自学习能力和线性模式分类性能的优点.但是人工神经网络需要大量的典型故障数据样本或经验知识[9-10],而在工程实际中,很难获得大量的典型故障数据样本.支持向量机[11]是一种基于结构风险最小化原理的机器学习技术,通常适合作为小样本分类器,现在广泛地应用在故障诊断的状态识别中[12].文中提出一种将双树复小波包变换和支持向量机相结合的滚动轴承故障诊断方法.利用双树复小波包变换分解得到不同频带的分量,以不同频带分量的能量特征参数作为支持向量机的输入参数来识别故障类型.通过对滚动轴承的正常状态、外圈裂纹故障、内圈裂纹故障和滚动体点蚀故障的试验信号的分析表明,该方法可以有效的识别滚动轴承故障的状态信息.1双树复小波包变换双树复小波变换[13-14]同传统离散小波变换一样,没有对高频部分细分.故提出双树复小波包变换(dual-treecomplexwaveletpackettrans-form,DT-CWPT)[3],提高了信号整个频段的频率分辨率,同时减少了信号有效信息的丢失.DT-CWPT是由两个平行且使用不同的低通和高通滤波器的离散小波包变换构成,可分别看作实部树和虚部树,这样在分解和重构过程中可形成信息互补[15].如图1所示为DT-CWPT两层分解和重构过程示意图.图中,x(t)表示原始信号;^x(t)表示表示重构信号;first_1表示实部树两行的滤波器组;f1-1表示高通滤波器;f1-0表示低通滤波器;first_2表示虚部树的滤波器组;f2-1表示高通滤波器;f2-0表示低通滤波器;h1,h0表示第2层实部树分解的滤波器;g1,g0表示第2层虚部树分解的滤波器;aR(1,2),aR(1,1)表示实部树第1层分解后的分量;aIm(1,2),aIm(1,1)表示虚部树第1层分解后的分量;aR(2,4),…,aR(2,1)表示实部树第2层分解后的分量;aIm(2,4),…,aIm(2,1)表示虚部树第2层分解后的分量;同理,有“”的各种量为重构过程使用的滤波器的量.对信号进行DT-CWPT分解与重构的详细过程见文献[16].2支持向量机支持向量机的主要思想如图2所示,五角星表示一类样本,圆圈表示二类样本,H表示分类线,H1,H2为平行于分类线的直线,同时也经过各类样本中距离分类线最近的样本,分类线之间的距离称为分类间隔.其中分类线可将两类样本正确分开(达到训练错误率为0),而最优分类线是可以使分类间隔最大的情况.图2最优分类线Fig.2Optimalclass

参考文献

引证文献

问答

我要提问