基于谐波小波包和OAO-RVM的滚动轴承故障诊断方法
2015-07-26徐涛刘勇裴爱岭卢艳军
轴承 2015年8期
徐涛,刘勇,裴爱岭,卢艳军
(沈阳航空航天大学 自动化学院,沈阳 110136)
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;……
登录APP查看全文
