基于隱Markov模型的滾動軸承故障診斷方法研究.pdf

1、滾動軸承廣泛應(yīng)用于旋轉(zhuǎn)機械中，然而由于各種原因，滾動軸承很容易發(fā)生各種形式的故障，因此對滾動軸承開展故障診斷便成為保證設(shè)備正常運行的關(guān)鍵，具有重大的現(xiàn)實意義。
　　 針對傳統(tǒng)的模式識別方法（如神經(jīng)網(wǎng)絡(luò)識別法）一直停留在靜態(tài)模式識別上的不足，本文提出采用一種近年來在語音識別技術(shù)中發(fā)展較快的動態(tài)模式識別技術(shù)——隱馬爾科夫模型(HiddenMarkovModel，HMM)來對滾動軸承進行故障診斷。HMM建模時統(tǒng)計的是一個時間跨度上的動

2、態(tài)信息，特別適合對信息量大、非平穩(wěn)、特征重復(fù)性不佳的診斷信號進行分類。通常情況下的動態(tài)過程為序列行為改變的表現(xiàn)，滾動軸承亦如此。若一個短時信號定義為一個幀，則每一個故障類型特定幀之間的轉(zhuǎn)移是不同的，因此可以用HMM來對特定幀的存在和各幀之間的轉(zhuǎn)移做統(tǒng)計處理。此外，利用HMM進行模型訓練時所用的樣本較少、速度較快，并且診斷的精度較高、模式分類能力較強，因此非常適合對滾動軸承的振動信號進行故障建模和分類。
　　 根據(jù)實際的滾動軸承典

3、型故障實驗數(shù)據(jù)和HMM故障診斷原理，本文首先對從各個軸承狀態(tài)下采集的振動信號進行分幀處理，然后提取每幀信號的時域、頻域和小波包能量特征參數(shù)，組成特征矢量，并運用主成分分析(PrincipalComponentsAnalysis，PCA)技術(shù)對特征矢量進行降維處理，在損失狀態(tài)信息較少的情況下，將多個特征指標轉(zhuǎn)化為幾個綜合的特征指標，用較少的特征參數(shù)來代表軸承狀態(tài)的絕大部分信息。將PCA降維后的特征參數(shù)組合在一起形成特征矢量，大大簡化了后續(xù)

4、模型的輸入。
　　 根據(jù)HMM按觀察值的分類，本文研究了基于連續(xù)高斯混合密度HMM(CGHMM)的滾動軸承故障診斷和基于離散HMM(DHMM)的滾動軸承故障診斷技術(shù)，并通過實驗將兩種方法進行了對比分析。由于利用DHMM進行故障診斷時，需要對特征值進行量化編碼，這必然會帶來一定的量化誤差，因此DHMM模型的識別率（90％以上）低于CGHMM(98％以上)，但由于DHMM建模簡單，故其訓練速度快于CGHMM?？梢葬槍υ\斷系統(tǒng)側(cè)重點的