基于谐波小波包和OAO-RVM的滚动轴承故障诊断方法

作者:徐涛;刘勇;裴爱岭;卢艳军 刊名:轴承 上传者:朱永春

【摘要】结合谐波小波包和相关向量机设计了滚动轴承故障诊断方法,以实现轴承正常状态、内圈故障、滚动体故障及外圈故障状态的诊断。首先,利用谐波小波包对轴承的振动信号进行多层分解,根据各频段的小波分解系数计算各个频带能量,归一化之得到特征向量;其次,对传统的OAO-RVM模型进行简化,改进为新的OAORVM多模式分类模型;最后,利用滚动轴承试验台的振动数据对设计方法进行了验证。结果表明,设计的诊断方法在识别的准确率及算法计算效率方面均比传统的支持向量机诊断方法好。

全文阅读

滚动轴承振动信号具有非平稳性特征,普遍采用时频分析技术分解振动信号并提取故障特征。文献[1-3]根据Hilber-Huang变换的自适应时频分析特性,利用经验模态分析分解轴承振动信号,进而提取各种特征向量进行故障诊断。谐波小波可以将信号分解到感兴趣的频带,并使信号在谐波小波变换后的各频带内具有与初始信号一样的频率分辨率,而且分解后的点数不变,从而克服了Mallat小波算法存在的问题[4],可以用于处理轴承振动信号并提取故障特征。文献[5]利用谐波小波变换的时频剖面图提取信号中的特殊成分,应用到齿轮的断齿故障诊断中。但是,随着谐波小波分解层数的增加,分析频率会逐渐趋于高频或低频,不能任意选取分析频段。谐波小波包变换则能够克服上述问题,可以自适应地“无限细分”整个振动信号的频带,提取信号中感兴趣的频率成分。文献[6-7]采用谐波小波包处理不同故障状态下的滚动轴承振动信号,根据分解到不同频段信号能量得到故障特征向量。在获得滚动轴承的故障特征之后,需要设计一个分类器进一步实现故障的诊断与识别。文献[6]利用神经网络的非线性映射能力,设计了BP神经网络分类器,实现故障模式识别;文献[8-9]利用直觉经验和专业知识相结合设计了模糊分类器,实现了故障轴承的故障诊断;由于支持向量机(SVM)在小样本条件下非线性映射能力突出,文献[3,7]设计了基于SVM的多分类器模型,实现多种滚动轴承的故障识别;文献[10-11]进一步采用了近似支持向量机和近邻得分支持向量机对滚动轴承故障状态进行识别。相关向量机(RVM)与SVM一样,也是利用核函数映射将低维空间非线性问题转化为高维空间的线性问题,但其训练是在Bayes框架下进行,在先验参数的结构下利用自动相关决策理论移除不相关的点,得到稀疏化的模型[12-13]。RVM不存在SVM涉及的误差参数无法确定、模型稀疏程度不够、核函数必须满足Mercer条件等诸多缺陷,具有与SVM近似或更好的回归预测和分类识别精度。因此,利用RVM设计了基于一对一(One-Against-One,OAO)的多模式分类模型,并与谐波小波包的特征提取方法相结合,实现滚动轴承的故障诊断。1谐波小波包的特征提取方法谐波小波[14]不能任意选取感兴趣的分析频段,不能对任意频段“无限细分”,无法实现振动信号中任意频段的提取。而谐波小波包则借助二进制小波包的分解思想,实现了自适应无限细分的小波包分解过程,从而可在任意分解层上得到整个分析频域内某一频段的分析结果。谐波小波包变换的实现过程如下[15]:1)根据分析带宽和频段范围确定研究频率成分所在的分解层j和频段值s,即m=sB,n=(s+1)B,s=0,1,2,…,2j-1;(1)B=2-jfh,式中:fh为分析的最高频率,是采样率的1/2。2)谐波小波的频域表达式为^m,n[(n-m)]=1(n-m)2,2m<2n0,{其他。(2)3)对离散振动信号时间序列fd(r)进行FFT,求得其频域离散值f^d()。4)所确定频段的小波变换为W^f(m,n,)=f^d()^*m,n[(n-m)]。(3)传统的基于谐波小波包的故障特征提取方法首先对试验数据进行标准化,目的是消除不同信号的物理单位影响[7]。但是,振动信号与普通信号相比具有特殊性,信号在零值两侧取值。计算均值时得到的是接近零的数值,无法进一步利用均值和方差进行标准化。为解决上述问题,先进行振动信号谐波小波包分解,然后在各频段小波系数平方和的基础上计算平方根并求出小波系数的能量,最后利用其均值和方差进行标准化,得到特征向量。具体步骤如下:1)利用谐波小波包对

参考文献

引证文献

问答

我要提问