基于迭代共振稀疏分解和隱馬爾科夫模型的滾動軸承故障診斷方法研究.pdf

1、為實現滾動軸承早期故障的有效識別，將迭代共振稀疏分解(IterativeResonance-Based Sparse Signal Decomposition，IRBSSD)和隱馬爾科夫模型(Hidden Markov Model，HMM)相結合，提出了基于IRBSSD和HMM模型的滾動軸承故障診斷方法。首先利用IRBSSD對軸承四種狀態(tài)（健康、外圈故障，內圈故障及滾動體故障）的振動信號進行降噪;然后分別計算不同狀態(tài)下的時域特征參數和頻

2、域特征參數，使用主成分分析(PrincipleComponent Analysis，PCA)對特征向量進行降維，獲得數量少且能保留原始信息特征的復合指標，組成特征向量，最后采用HMM對故障進行模式識別。主要內容如下:
　　1、基于迭代共振稀疏分解信號降噪方法研究。該方法首先根據沖擊成分的頻譜分布預設高Q因子的初始值，對軸承振動信號進行共振稀疏分解。然后以高共振分量的峭度值為判斷依據，當其峭度值小于3時，改變高Q因子取值，以此時的低

3、共振分量作為下次循環(huán)的輸入，繼續(xù)進行分解;大于3時，終止循環(huán)。最后對循環(huán)終止后的低共振分量求取包絡頻譜，根據極值點的頻率判斷故障類型并證明此方法在降噪的同時保留了信號的特征。使用仿真信號和實測信號分別對所提出方法進行驗證，并將診斷結果與共振稀疏分解及小波包降噪法進行對比，結果表明該方法能有效地濾除信號中的噪聲并保留軸承故障信號中的瞬態(tài)沖擊成分。
　　2、基于分幀處理及PCA算法的特征向量構建。對IRBSSD降噪后的各狀態(tài)軸承振動信

4、號進行分幀處理，對每一幀信號都提取時、頻域特征參數，引入PCA將多個特征參數轉換為少量的綜合指標，在避免丟失主要信息的基礎上，以構造新的復合指標代替原有特征參數，以達到減少參數數量和計算量的目的。
　　3、基于HMM的軸承故障模式識別。將PCA降維后的復合特征參數組成特征向量，送入HMM模型進行訓練和識別。識別正確率達97.5％。通過仿真信號和實驗信號分析，并與從未經降噪處理的方法相對比，基于IRBSSD與HMM的方法能有效實現軸