發(fā)布時間：2018-07-17 04:37

【摘要】：為了提高多工況下對滾動軸承的故障辨識能力,本文提出以乘積函數(shù)相關熵為故障特征的滾動軸承故障辨識方法,并利用最小二乘支持向量機(Least Square Support Vector Machine,LSSVM)實現(xiàn)自動辨識.首先對預處理的軸承振動信號進行局部均值分解,提取乘積函數(shù)(Product Function,PF),然后計算PF與原始信號的皮爾遜積矩相關系數(shù)熵,進而根據(jù)離散變量相關熵的估計模型得到乘積函數(shù)相關熵(Product Function Correntropy,PFC).以PFC為故障特征,結合LSSVM實現(xiàn)滾動軸承的故障識別.多組工況下的滾動軸承狀態(tài)辨識實驗證實了PFC比經(jīng)典故障特征具有更高的故障辨識效率;另外改變工況參數(shù)提取軸承振動數(shù)據(jù),驗證了PFC-LSSVM方法具有更好的魯棒辨識能力.綜上所述,本文驗證了LMD-PFC-LSSVM方法的高效性和實用性,為提高復雜工況下在線故障診斷能力提供了可靠的技術支持,具有廣闊的應用前景.
[Abstract]:In order to improve the fault identification ability of rolling bearings under multiple working conditions, this paper presents a fault identification method for rolling bearings with product function correlation entropy as the fault feature, and uses least Square support Vector Machine (LSSVM) to realize automatic identification. Firstly, the preprocessed bearing vibration signal is decomposed with local mean, then the product function is extracted, and then the Pearson moment correlation coefficient entropy of PF and the original signal is calculated. Then the product function correlation entropy (PFC) is obtained according to the estimation model of discrete variable correlation entropy. The fault identification of rolling bearing is realized with PFC and LSSVM. The experiments of rolling bearing state identification under multiple working conditions show that PFC has higher fault identification efficiency than classical fault characteristics, and the PFC-LSSVM method has better robust identification ability by extracting bearing vibration data by changing operating condition parameters. To sum up, this paper verifies the efficiency and practicability of LMD-PFC-LSSVM, and provides reliable technical support for improving on-line fault diagnosis ability under complex working conditions, and has broad application prospects.
【作者單位】： 北京交通大學軌道交通控制與安全國家重點實驗室;北京交通大學電氣工程學院;北京交通大學北京市城市交通信息智能感知與服務工程技術研究中心;北京印刷學院機電工程學院;
【基金】：中央高�；�本科研業(yè)務費專項資金 軌道交通控制與安全國家重點實驗室自主研究課題(RCS2014ZT24)
【分類號】：TH133.33

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 張淑清;胡永濤;李盼;包紅燕;姜萬錄;錢磊;;基于MEMD互近似熵及FCM聚類的軸承故障診斷方法[J];中國機械工程;2015年19期

2 程軍圣;鄭近德;楊宇;羅頌榮;;基于部分集成局部特征尺度分解與拉普拉斯分值的滾動軸承故障診斷模型[J];振動工程學報;2014年06期

3 成昊;唐斌;;基于相關熵的盲源分離算法[J];電子科技大學學報;2013年02期

【共引文獻】

中國期刊全文數(shù)據(jù)庫 前3條

1 付云驍;賈利民;秦勇;楊杰;張媛;;基于乘積函數(shù)相關熵的滾動軸承故障辨識方法[J];應用基礎與工程科學學報;2016年02期

2 李靜威;全厚德;;脈沖噪聲條件下的相關熵譜估計[J];信號處理;2014年08期

3 王鑫;譚華忠;蔣華;;基于改進人工蜂群算法的視頻水印[J];計算機工程與設計;2014年06期

【二級參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 時培明;李庚;韓東穎;;基于改進EMD的旋轉機械耦合故障診斷方法研究[J];中國機械工程;2013年17期

2 王雪;李宣平;戴逸翔;;多相水平集協(xié)同空間模糊聚類圖像多目標分割[J];機械工程學報;2013年20期

3 鄭近德;程軍圣;楊宇;;部分集成局部特征尺度分解:一種新的基于噪聲輔助數(shù)據(jù)分析方法[J];電子學報;2013年05期

4 王金福;李富才;;機械故障診斷技術中的信號處理方法:時域分析[J];噪聲與振動控制;2013年02期

5 張淑清;孫國秀;李亮;李新新;監(jiān)雄;;基于LMD近似熵和FCM聚類的機械故障診斷研究[J];儀器儀表學報;2013年03期

6 周智;朱永生;張優(yōu)云;朱川峰;王鵬;;基于EEMD和共振解調的滾動軸承自適應故障診斷[J];振動與沖擊;2013年02期

7 沈維蕾;趙韓;周蓉;;基于模糊聚類分析的控制圖變點估計研究[J];中國機械工程;2012年23期

8 鄭近德;程軍圣;楊宇;;基于改進的ITD和模糊熵的滾動軸承故障診斷方法[J];中國機械工程;2012年19期

9 程軍圣;鄭近德;楊宇;;基于局部特征尺度分解的經(jīng)驗包絡解調方法及其在機械故障診斷中的應用[J];機械工程學報;2012年19期

10 程軍圣;鄭近德;楊宇;;一種新的非平穩(wěn)信號分析方法——局部特征尺度分解法[J];振動工程學報;2012年02期

【相似文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 張益純,劉振娟;滾動軸承故障分析探討[J];內燃機配件;2000年03期

2 秦愷,陳進,姜鳴,陳春梅;一種滾動軸承故障特征提取的新方法——譜相關密度[J];振動與沖擊;2001年01期

3 鄧長春;;聲發(fā)射法在滾動軸承故障識別中的應用[J];試驗技術與試驗機;2002年Z2期

4 任昭蓉;滾動軸承故障的小波診斷法[J];機械制造與自動化;2004年06期

5 陸爽,田野;滾動軸承故障特征識別的時頻分析研究[J];機床與液壓;2005年06期

6 江涌;基于余弦調頻小波變換的滾動軸承故障研究[J];機械設計與制造;2005年06期

7 程光友;;時域指標在滾動軸承故障診斷中的應用[J];中國設備工程;2005年12期

8 陳洪軍;趙新澤;王延軍;;滾動軸承故障試驗臺的理論建模分析[J];四川理工學院學報(自然科學版);2005年04期

9 李崇晟;滾動軸承故障的非線性診斷方法[J];軸承;2005年05期

10 趙春華;嚴新平;趙新澤;袁成清;高虹亮;;滾動軸承故障的可拓物元診斷方法[J];潤滑與密封;2006年04期

中國重要會議論文全文數(shù)據(jù)庫 前10條

1 張益純;;常見滾動軸承故障診斷的技術探討[A];第十屆全國設備監(jiān)測與診斷技術學術會議論文集[C];2000年

2 劉玉林;;貨車滾動軸承故障不分解診斷技術參數(shù)選擇與優(yōu)化探討[A];擴大鐵路對外開放、確保重點物資運輸——中國科協(xié)2005年學術年會鐵道分會場暨中國鐵道學會學術年會和粵海通道運營管理學術研討會論文集[C];2005年

3 楊積忠;左立建;;滾動軸承故障診斷實例[A];設備監(jiān)測與診斷技術及其應用——第十二屆全國設備監(jiān)測與診斷學術會議論文集[C];2005年

4 何斌;戚佳杰;;小波分析在滾動軸承故障診斷中的應用研究[A];第九屆全國振動理論及應用學術會議論文摘要集[C];2007年

5 李放寧;;峰值能量在滾動軸承故障診斷中的應用[A];第十屆全國設備監(jiān)測與診斷技術學術會議論文集[C];2000年

6 何斌;戚佳杰;;小波分析在滾動軸承故障診斷中的應用研究[A];第九屆全國振動理論及應用學術會議論文集[C];2007年

7 張九軍;;常見滾動軸承故障的簡易診斷[A];2008年全國煉鐵生產技術會議暨煉鐵年會文集（上冊）[C];2008年

8 李興林;;滾動軸承故障診斷技術現(xiàn)狀及發(fā)展[A];2009年全國青年摩擦學學術會議論文集[C];2009年

9 唐海峰;陳進;董廣明;;信號稀疏分解方法在滾動軸承故障診斷中的應用[A];第十二屆全國設備故障診斷學術會議論文集[C];2010年

10 高耀智;;高階統(tǒng)計量與小波分析相結合在滾動軸承故障診斷中的應用[A];2009年全國青年摩擦學學術會議論文集[C];2009年

中國博士學位論文全文數(shù)據(jù)庫 前10條

1 郝騰飛;航空發(fā)動機滾動軸承故障的核方法智能識別技術研究[D];南京航空航天大學;2014年

2 于江林;滾動軸承故障的非接觸聲學檢測信號特性及重構技術研究[D];大慶石油學院;2009年

3 楊柳松;基于小波分析與神經(jīng)網(wǎng)絡滾動軸承故障診斷方法的研究[D];東北林業(yè)大學;2013年

4 從飛云;基于滑移向量序列奇異值分解的滾動軸承故障診斷研究[D];上海交通大學;2012年

5 趙協(xié)廣;基于小波變換和經(jīng)驗模態(tài)分解的滾動軸承故障診斷方法研究[D];山東科技大學;2009年

6 侯者非;強噪聲背景下滾動軸承故障診斷的關鍵技術研究[D];武漢理工大學;2010年

7 郭艷平;面向風力發(fā)電機組齒輪箱滾動軸承故障診斷的理論與方法研究[D];浙江大學;2012年

8 孟濤;齒輪與滾動軸承故障的振動分析與診斷[D];西北工業(yè)大學;2003年

9 Ao Hung Linh（池雄嶺）;基于化學反應優(yōu)化算法和支持向量機的滾動軸承故障診斷方法研究[D];湖南大學;2014年

10 崔寶珍;自適應形態(tài)濾波與局域波分解理論及滾動軸承故障診斷[D];中北大學;2013年

中國碩士學位論文全文數(shù)據(jù)庫 前10條

1 李男;基于LMD樣本熵和貝葉斯網(wǎng)絡的滾動軸承故障診斷方法[D];燕山大學;2015年

2 李玉奎;基于非平穩(wěn)信號分析的滾動軸承故障診斷研究[D];燕山大學;2015年

3 卜勇霞;基于時頻分析方法的滾動軸承故障診斷研究[D];昆明理工大學;2015年

4 馬寶;基于KICA和LSSVM的滾動軸承故障監(jiān)測及診斷方法[D];昆明理工大學;2015年

5 馮春生;基于多源不確定信息融合的數(shù)控機床滾動軸承故障診斷方法與實驗研究[D];青島理工大學;2015年

6 王天一;基于正交小波優(yōu)化閾值降噪方法的滾動軸承故障診斷研究[D];哈爾濱工業(yè)大學;2015年

7 宋耀文;基于振動信號分析的滾動軸承故障特征提取與診斷研究[D];中國礦業(yè)大學;2015年

8 韓一村;基于多傳感器的滾動軸承故障檢測研究[D];河南科技大學;2015年

9 王秀娟;基于LMD的譜峭度算法在滾動軸承故障診斷中的應用研究[D];電子科技大學;2014年

10 段永強;局部均值分解法在滾動軸承故障自動診斷中的應用研究[D];電子科技大學;2015年

，

本文編號：2129038