徐　康，黄　民，马　超，高　宏

(北京信息科技大学 机电工程学院，北京　100192)



基于SVD-LMD与DHMM在滚动轴承故障诊断中的应用*

徐康，黄民，马超，高宏

(北京信息科技大学 机电工程学院，北京100192)

针对滚动轴承早期故障信号微弱难以提取和故障类型不易判别的缺点，提出了基于奇异值分解(SVD)-局部均值分解(LMD)与离散隐马尔可夫模型(DHMM)的滚动轴承故障类型识别方法。首先，对经过相空间Hankel矩阵重构的原始声学信号进行SVD降噪得到特征信号，再运用LMD对特征信号分解而产生一系列的乘积函数(PF)，为去除LMD分解过程中产生的虚假分量，选择与特征信号相关系数值较大的PF并构建特征向量T以完成信号特征提取。最后，将T进行量化后作为特征观测值输入已训练收敛的DHMM模型进行故障状态识别。并与支持向量机(SVM)进行比较研究。实验结果表明，基于SVD-LMD与DHMM的滚动轴承故障诊断模型在声学信号下对早期滚动轴承的故障具有较高的识别率。

滚动轴承；故障诊断；奇异值分解；局部均值分解；离散隐马尔可夫模型

0　引言

滚动轴承作为设备运行的关键部件，其健康、安全地运行对机器设备正常运转具有重要作用[1]。近年来，高金吉、Peter W T等国内外学者对滚动轴承的故障诊断进行了深入研究[2-3]，但滚动轴承早期故障往往具有故障信号微弱并伴随着强噪声与较强窄带脉冲的特点[4]，并且这种非平稳信号中的噪声信号在频带上往往与系统信号混叠，而传统的滤波降噪方法只能够通过设置不同的通带来滤除噪声信号[5]，所以传统滤波方法很难对滚动轴承早期故障信号进行降噪。……