金鑫

摘 要：为准确识别滚动轴承不同类型的故障，提出一种基于类间可分性判据和K近邻分类器（KNNC）的故障诊断方法。该方法首先从时域、频域、时频域构造原始故障特征集；然后运用类间可分性判据从原始特征集中选择出其中利于分类的敏感特征。最后将敏感特征输入KNNC，识别故障类型。用滚动轴承一组故障特征数据集进行验证。结果表明，本方法能有效提取出原始特征集中的敏感特征，为实现滚动轴承的故障划分问题，提供了一种新途径。

关键词：故障诊断；类间可分性判据；K近邻分类器

中图分类号：TH165 文献标识码：A 文章编号：1671-2064（2017）11-0081-02

滚动轴承作为旋转机械的核心应用部件，其工作质量的好坏将会对整台设备产生重要影响[1]。据统计，旋转机械中的故障大部分是由滚动轴承引起的。因此，开展滚动轴承的故障诊断意义重大。

在进行滚动轴承故障诊断时，为了获取较高的诊断精度，就必须获取尽可能多的故障信息，此时基于时域、频域及时频域的故障特征提取就具有较强优势[2]。但是该方法在获得敏感信息的同时也势必会引入大量的干扰特征。因此如何获取敏感信息的特征选择问题已成为滚动轴承故障诊断的重要研究方向，如Kappaganthu等人[3]利用互信息算法對滚动轴承的时域、频域和时频域特征进行敏感性评估，基于神经网络分类器识别结果表明这些敏感特征能有效识别出轴承内圈和外圈故障；雷亚国等人[4]提出一种改进的距离评估技术，该方法能够从大量原始特征集中剔除不相关特征、保留敏感特征，从而有效提升了自适应神经模糊推理系统的诊断精度。……