基于MF-DFA与PSO优化LSSVM的滚动轴承故障诊断方法

作者:熊庆;张卫华 刊名:振动与冲击 上传者:李兰花

【摘要】针对滚动轴承故障损伤程度难以确定的问题,提出对滚动轴承不同故障位置、不同损伤程度的振动信号进行故障特征提取及智能分类的故障诊断方法。先对各状态振动信号进行MF-DFA分析,选取敏感性及稳定性最好的二种多重分形谱参数作为故障特征量,然后输入到经过PSO参数优化的LSSVM中进行故障诊断。通过仿真试验、应用实例验证了该方法的有效性,并与LSSVM、SVM方法的诊断结果进行比较。结果表明:所提方法可实现滚动轴承故障位置及损伤程度的智能诊断,比直接LSSVM、SVM方法具有更优的泛化性,适合解决实际工程问题。

全文阅读

滚动轴承是旋转机械的关键零部件,在其使用过程中,会经历从正常到失效的过程。了解滚动轴承性能退化过程,掌握故障损伤程度,能有效的指导轴承维护,节约生产或运营成本[1]。对于滚动轴承的故障诊断,已有的研究成果主要集中于定性诊断,即滚动轴承故障位置的确定。而定量诊断,即滚动轴承故障损伤程度的研究相对较少。近年来各国学者把后者作为研究的热点,从理念和方法上对现有的故障诊断技术进行了全新的拓展[2]。特征提取、状态识别是故障诊断两个主要方面。在特征提取方法方面,包络分析、谱峭度、WVD、WT、EMD都被广泛的应用于滚动轴承的状态监测与故障诊断中。但它们具有各自的缺点[3],若用于复杂信号的处理,结果通常不稳定。Kantelhardt等[4]在单分形的基础上,提出了多重分形去趋势波动分析(MF-DFA)。由于MF-DFA的多重分形谱参数能够表征旋转机械故障信号的内在动力学机制,能够反映复杂环境下的微弱变化,适合作为旋转机械故障振动信号的故障特征量,故被国内外学者广泛应用于各个领域[5-7]。在状态识别方面,神经网络、支持向量机(SVM)、最小二乘支持向量机(LSSVM)等应用较广,不过它们也具有各自的缺点[8]。粒子群优化算法(PSO)鲁棒性好、收敛时间短、全局搜索能力强,在函数优化、神经网络参数优化等问题上已经得到了成功的应用[9]。采用粒子群算法优化参数,并结合LSSVM有望改善故障诊断系统的性能。综上,为了能够同时实现滚动轴承故障位置及损伤程度的智能诊断,本文提出了一种基于MF-DFA及PSO优化LSSVM的新方法。该方法是对MF-DFA应用于滚动轴承故障特征提取,LSSVM应用于滚动轴承故障多分类的进一步探索,并通过滚动轴承台架试验数据及机车线路实测数据验证了该方法的有效性。1MF-DFA方法及特征量的提取1.1MF-DFA方法简介MF-DFA方法与经典多重分形理论的关系如下:(1)若q阶波动函数的均值Fq(s)与区间长度s存在如下关系:Fq(s)~sH(q)(1)则说明被试序列xk存在多重分形特性。式中:H(q)为广义Hurst指数。(2)H(q)与标度指数(q)的关系:(q)=qH(q)-1(2)(3)奇异指数与多重分形谱f()的关系:='(q)=H(q)+qH'(q)f()=q-(q)=q[-H(q)]+}1(3)1.2特征量的提取MF-DFA方法得到的多重分形谱是一套能够精细刻画多重分形时间序列动力学行为的参数。本文将考察5种常用多重分形谱参数对于滚动轴承不同位置、不同损伤程度故障诊断的稳定性及敏感性,从中选取最优的故障特征量。它们分别是:=max-min;0fmax=f(0),0[min,max()]min;max;f=f(max)-f(min)。谱宽反映序列在分形结构上概率测度分布的不均匀性,越大,不均匀程度越大,多重分形性越强;极值点对应的奇异指数0反映振动信号的随机性,0越大,振动信号越不规则,随机性越强;左端点min,右端点max分别对应着最大、最小波动的奇异指数;概率子集分形维数差f反映了振动信号大、小峰值所占的比例,f<0时,概率最大子集数大于概率最小子集数,反之亦然。2基于PSO优化的LSSVM参数优化方法2.1PSO及LSSVM简介粒子群优化算法(PSO)起源于对鸟类捕食行为的研究,是一种目前应用较广的演化计算理论。PSO中,每个粒子都是解空间中具有一定速度、特定位置的点,不同粒子具有与目标函数对应的个体适应度。群体中的粒子在每次迭代搜索中,通过跟踪两个极值(个体极值及全局极值)不断更新自己的位置及速度。PSO方法的思路,更

参考文献

引证文献

问答

我要提问