基于隱Markov模型的滾動(dòng)軸承故障診斷方法研究.pdf

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

2、態(tài)信息，特別適合對(duì)信息量大、非平穩(wěn)、特征重復(fù)性不佳的診斷信號(hào)進(jìn)行分類。通常情況下的動(dòng)態(tài)過程為序列行為改變的表現(xiàn)，滾動(dòng)軸承亦如此。若一個(gè)短時(shí)信號(hào)定義為一個(gè)幀，則每一個(gè)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(duì)特定幀的存在和各幀之間的轉(zhuǎn)移做統(tǒng)計(jì)處理。此外，利用HMM進(jìn)行模型訓(xùn)練時(shí)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(qiáng)，因此非常適合對(duì)滾動(dòng)軸承的振動(dòng)信號(hào)進(jìn)行故障建模和分類。
　　 根據(jù)實(shí)際的滾動(dòng)軸承典

3、型故障實(shí)驗(yàn)數(shù)據(jù)和HMM故障診斷原理，本文首先對(duì)從各個(gè)軸承狀態(tài)下采集的振動(dòng)信號(hào)進(jìn)行分幀處理，然后提取每幀信號(hào)的時(shí)域、頻域和小波包能量特征參數(shù)，組成特征矢量，并運(yùn)用主成分分析(PrincipalComponentsAnalysis，PCA)技術(shù)對(duì)特征矢量進(jìn)行降維處理，在損失狀態(tài)信息較少的情況下，將多個(gè)特征指標(biāo)轉(zhuǎn)化為幾個(gè)綜合的特征指標(biāo)，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(jiǎn)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(dòng)軸承故障診斷和基于離散HMM(DHMM)的滾動(dòng)軸承故障診斷技術(shù)，并通過實(shí)驗(yàn)將兩種方法進(jìn)行了對(duì)比分析。由于利用DHMM進(jìn)行故障診斷時(shí)，需要對(duì)特征值進(jìn)行量化編碼，這必然會(huì)帶來一定的量化誤差，因此DHMM模型的識(shí)別率（90％以上）低于CGHMM(98％以上)，但由于DHMM建模簡(jiǎn)單，故其訓(xùn)練速度快于CGHMM?？梢葬槍?duì)診斷系統(tǒng)側(cè)重點(diǎn)的