一种基于小波包变换和监督NPE的滚动轴承故障诊断方法

作者:董飞;俞啸;丁恩杰;吴守鹏 刊名:机械设计与制造 上传者:格伦

【摘要】为提高滚动轴承故障诊断的性能;结合故障敏感特征的选择;提出了一种基于小波包变换(WPT)和监督NPE的滚动轴承故障诊断模型;首先;WPT对原始振动信号进行处理;利用终端节点的单支重构信号得到多域统计特征;构成原始特征集;然后;为减少特征集中的冗余信息和干扰特征;提出一种基于朴素贝叶斯的故障敏感特征选择方法(FSNB);为了进一步降低冗余信息和运算复杂度;提出一种基于类别标签的监督邻域保持嵌入(SNPEL)方法;实现对高维特征集的低维表示;最后;利用K近邻(KNN)算法实现滚动轴承的故障诊断;采用12种轴承故障数据来验证提出的故障诊断模型的性能;结果表明;提出的模型可以实现较高的故障诊断准确度和较好的适应性;

全文阅读

1引言滚动轴承作为旋转机械设备的关键部件之一,其发生故障会严重影响到旋转机械的安全稳定运行[1]。因此,进行滚动轴承的状态监测与故障诊断对保障安全生产和降低维护成本具有重要意义。近年来,随着信号处理、数据挖掘以及人工智能的快速发展,基于数据驱动的方法在滚动轴承故障诊断中变得越来越重要,其主要可分为四个步骤:信号处理,特征提取,特征降维和故障模式识别[2-3]。滚动轴承在运行过程中的振动信号蕴含着丰富的状态信息,是轴承故障状态分析与诊断的有效手段[2]。小波变换是分析非线性、非平稳振动信号的有效方法,但是由于小波变换没有对信号的高频部分做进一步的分解,容易导致高频部分故障特征信息的丢失。针对此问题,在小波变换的基础上,小波包变换被提出,它能进一步分解信号在高频区的细节系数,提供更详细、更全面的时频面。文献[4]将小波包分解及其能量谱用于发动机连杆轴承故障诊断;文献[5]将小波包能量特征与径向基函数网络相结合,建立了滚动轴承故障监测模型;文献[6]通过计算小波包提取的信号包络谱的峰值,增强信号峭度特征,用于微弱瞬时信号的监测。结合小波包变换与统计参数可得到高维原始特征集。然而,由于故障类型与统计特征之间存在复杂的映射关系,原始特征集中存在干扰和冗余特征,可能会影响故障诊断的准确度。因此,提出一种基于朴素贝叶斯的故障敏感特征选择方法(FeaturesSelection Based on Naive Bayes,FSNB),实现对原始特征集中单个统计特征的故障敏感度的量化分析,筛选出故障敏感度较高的统计特征进行故障诊断。在特征降维方面,领域保持嵌入(Neighborhood PreservingEmbedding,NPE),是一种非监督的线性降维方法,其主要目标是保持数据流行中的局部结构。LDA作为一种经典的线性降维方法,其可以将故障的类别信息考虑到特征降维过程中。因此可以结合NPE与LDA各自的优点,提出一种改进的特征降维方法,基于类别标签的监督邻域保持嵌入方法(Supervised Neighborhood PreservingEmbedding with Label Information,SNPEL),以此来提高故障诊断的精度与适应性。在故障模式识别方面,采用KNN方法。KNN是一种经典的非参数分类方法,在模式识别领域得到了广泛的应用。文献[7]利用局部均值分解和KNN实现滚动轴承故障诊断。文献[8]利用模糊K近邻支持向量进行数据描述,从而实现水电机组振动故障诊断。首先利用WPT分解振动信号,得到终端节点的单支重构信号并计算其包络谱(Hilbert Envelope Spectrum,HES),随后结合统计参数,可得到原始统计特征集。然后利用朴素贝叶斯方法进行敏感特征的筛选,再利用提出的基于类别标签的监督NPE方法进行特征降维,得到新的特征集并用于训练KNN分类器。最后,已训练的分类器用于对测试数据进行故障诊断。实验分析结果表明,该模型可以达到比较理想的滚动轴承故障识别效果。2基于朴素贝叶斯的故障敏感特征选取(FSNB)2.1朴素贝叶斯算法朴素贝叶斯算法是基于贝叶斯定理的分类方法。根据已有的样本数据实例,运用贝叶斯公式来判定待测数据的归类问题。贝叶斯算法的主要思想是将事件的先验概率和后验概率相联系,并利用先验信息预测事件的后验概率。朴素贝叶斯算法还具有自学习能力,可以将新数据记录加入到已知的先验信息中,从而进一步影响事件的后验概率,提高事件预测的准确性。贝叶斯公式如下:P贝(A叶|B斯)=公P(式A如|P(B)下BP)(:A)(1)P(B)(1)

参考文献

引证文献

问答

我要提问