基于小波与AR模型融合的滚动轴承故障诊断方法

基于小波与 AR模型融合的滚动轴承故障诊断方法 基于小波与 AR模型融合的滚动轴承故障诊断方法 Fault Diagnosis of Rolling Bearing Based on W avelet Transformation and AR Model Fusion 姜 海燕 (湖南铁道职业技术学院铁道供电与电气学院，湖南 株洲 412001) 摘要 ：提 出了一种基于小波与 AR模型的 SVM 的故障诊 断方法 ，对故 障轴 承(型号 6205-2RS JEM SKF)振动信 号进 行分析。该方 法首先对 滚动 轴承振 动信号进行 小波 变换 ，通过 变换提取 出每层的 小波 系数 ；然后对每层 小波 系数建立 AR 模型 ，最后将 自回归模型的参数作为特征 向量输入 SVM分类 器。通过 SVM 分类器来识 别滚动轴承的故障类型 ，实验 结果 验 证 了该 方 法 的 有 效性 。 关 键 词 ：小波 变换 ，AR模 型 ，SVM，滚动 轴承 Abstract：A fault diagnosis method based on SVM for wavelet and AR model is proposed．and the vibration signal of fault bearing (Model 6205—2RS JEM SKF)is analyzed in this paper．Firstly．the wavelet transform of the rolling bearing vibra— tion signal is extracted，and the wavelet coeicients of each layer are extracted by transform．Then，the AR mode lis estab— lished for each wavelet coeicient．Finally．the autoregressive model parameters are input to the SVM classifier as the eigen— vector The SVM classifier is used to identify the fault type of the rolling bearing． ． Keywords：wavelet transformation，AR model，support vector machine(SVM)，rolling bearing 旋转机械 中最重要 的一个零部件 为滚 动轴承 ，当滚动轴承 发生故障时 ，可 以检测与采集其振动信号 ，并对振动信号进行分 析 ，其 振动信号 中会 包含一些 突变 信号 ，不同的故 障 ，表 现出 的 突变信号 往往 也不 同 ，但都会呈现 出一定 的非平稳性 与时变性 。 传统的傅 里叶变换是信号非 平稳 性的分析方法 ，但是傅里叶变 换只能对 信号进行 全局分析 ，而不能表征 出信号在不 同时段或 频率段的特征 。因此 ，它不适合 时变信 号的分析 ，具有较 大的局 限性 。而小波变换的局部化特性 ，能将信号分解到不同时域或频 域段 内，这样能较好地反 映不 同频段 内信号的特征变换 。因此 ， 小波分析是对非平稳信号进行时频分析的理想工具。文献[1—3】 提 出选择合适 的小波 函数是采用小波变换提取 表征 故障信息的 振动信号 的关键 因素 ，不 同的故 障信息需要不 同的小波函数与 其相 匹配 ，则其 相