基于谐波小波包和SVM的滚动轴承故障诊断方法

作者:徐涛;裴爱岭;刘勇 刊名:沈阳航空航天大学学报 上传者:赵静静

【摘要】针对滚动轴承故障诊断问题开展研究,设计了基于谐波小波包和支持向量机(SVM)的新型诊断方法。与传统的时频特征提取方法相比,谐波小波包具有盒状频谱和无限细分的优势。首先对滚动轴承的振动数据进行谐波小波包分解,利用各频段的小波分解系数计算特征能量,归一化之后作为特征向量,为设计的多类SVM模型提供训练样本和测试样本。利用SVM的非线性映射能力,将三个二分类器相组合设计了基于二叉树的多类SVM模型,实现了对滚动轴承的故障诊断。最后,利用Case Western Reserve University电气工程实验室的滚动轴承试验台的振动数据对设计的诊断方法进行了验证。结果表明,设计的诊断方法比传统的方法具有更高的准确率。

全文阅读

作为一种精密的机械元件,滚动轴承是机械设备中广泛应用的部件,其运转状态的好坏将直接影响设备的性能及生产安全,一旦发生故障将导致非常严重的后果。因此,针对滚动轴承故障诊断技术开展研究对保障设备的安全运行非常重要。由于滚动轴承振动信号的非平稳特性,国内外的很多研究人员利用时频分析技术提取故障特征。文献[1]采用多尺度线调频基的稀疏信号分解方法将非滚动轴承的平稳信号转化为平稳信号,实现对内圈故障和外圈故障的特征识别。文献[2]在经验模态分解的基础上求取状态信号的特征矩阵,利用改进的超球多类支持向量机分类器判断滚动轴承故障位置及性能退化程度。与传统的时频分析方法相比,谐波小波可将信号分解到所需的频带内,具有良好的滤波效果,而且信号在小波变换后的各个频带中仍然具有与原信号相同的频率分辨率,分解之后的点数不减少,克服了Mallat小波算法存在的问题[3]。因此,谐波小波是一种提取滚动轴承故障特征的很好方法。文献[4]采用谐波小波变换的时频剖面图,提取信号中的奇异成分,并应用于齿轮断齿的故障诊断。但是,随着分解层数的增加谐波小波分析频率会逐渐趋于低频或者高频,不能任意选取分析频段。而谐波小波包变换克服上述问题,能够在振动信号中自适应地“无限细分”整个频带,提取信号中的有用频率成分,实现对频带的任意细分。因此,文献[5]利用谐波小波包将不同故障状态下的滚动轴承的声发射数据分解到不同频段,进而将各频段的能量组成特征向量输入BP神经网络,判别滚动轴承的故障类型。同神经网络相比,支持向量机(SVM)在小样本、非线性和高维模式识别方面具有优势。因此,文献[6]利用最小二乘支持向量机设计了函数链接型神经网络,实现了多类滚动轴承的故障诊断。本文将谐波小波包和支持向量机相结合,设计了一种新型滚动轴承故障诊断方法。利用谐波小波包设计滚动轴承故障的特征提取算法,并采用基于二叉树的多分类SVM模型实现滚动轴承故障的模式分类。通过美国CaseWesternReserveUniversity电气工程实验室的滚动轴承试验台的振动数据,对设计方法的有效性进行了验证。1基于谐波小波包和SVM的故障诊断方法设计本文将三个SVM二分类器组合,设计了一个基于二叉树的多分类器SVM模型,再与谐波包小波包相结合,设计了新型的故障诊断方法,实现对滚动轴承的正常及各种故障状态的识别。具体的模型如图1所示:图1基于谐波小波包和SVM的故障诊断模型首先,利用谐波小波包处理训练数据,提取正常及各种故障状态下的特征向量,用于各个二分类SVM的训练,使其具备状态识别能力;将3个二分类器组合,实现多分类器模型;再将测试数据经过谐波小波包处理,将提取的故障特征输入多分类SVM诊断模型,实现对滚动轴承的故障诊断。1.1基于谐波小波包的故障特征提取方法1993年,Newland从小波包的频谱出发,提出了一种新的小波构造形式,即谐波小波[7]。谐波小波是一种具有“盒形”频谱的复小波,其频域的表达式为()=1/2,240,{其它(1)谐波小波的频域表达式为m,n(x)=[exp(in2x)-exp(im2x)]/[i2(n-m)x](2)这里,m、n决定了小波变换中的层次,并起着与二进制小波变换中2-j的j相同的作用。由于谐波小波是具有实部和虚部的复小波,具有相位的锁定功能及良好的滤波性能,能够使其它频率成分在变换后被屏蔽,分析频段的成分才能保留[8]。文献[9]给出了谐波小波包变换实现的具体过程。谐波小波包具有良好的故障特征识别能力,已经成为故障诊断领域中实现故障特征提取的很好工具。传统的利用谐波小波包提取故障特征的方法是首

参考文献

引证文献

问答

我要提问