基于高斯混合隱馬爾科夫模型的滾動軸承故障診斷方法研究.pdf

1、隨著現代高新技術的飛速發(fā)展，現代化工業(yè)進程也日趨完善，在現代化工廠中對機械設備的要求也越來越高。但是隨著機械設備的運轉、磨損，機械設備故障的出現也就在所難免了，而滾動軸承又是機械設備中應用最廣泛的零部件之一，所以滾動軸承運轉狀態(tài)優(yōu)劣如何直接影響到整個機械設備的性能。針對傳統(tǒng)的模式識別方法(如神經網絡識別法)一直停留在靜態(tài)模式識別上的不足，本文提出釆用一種具有統(tǒng)計規(guī)律的動態(tài)模式識別技術-隱馬爾科夫模型來對滾動軸承進行故障診斷。本文以Rex

2、nord ER10k型號滾動軸承作為研究對象，把滾動軸承模式識別作為研究目的,提出了基于高斯混合隱馬爾科夫模型的滾動軸承故障診斷的方法研究，對滾動軸承各故障模式不同尺寸分別做了故障仿真研究和實驗研究。其主要內容如下：
　　基于小波包分解與重構的信號特征提取研究。通過實驗采集的數據，由于機械運轉或者外界環(huán)境的因素，無可避免的給實驗數據帶來一些噪聲信號。然而滾動軸承相關零部件振動信號有著不同的頻域能量，所以將滾動軸承故障信號經過小波包

3、分解與重構后，得到全部的小波包分解系數。然后分別重構各分解后的小波包系數，再根據不同故障模式的滾動軸承振動信號在頻域能量分布中的差異性,對重構后的小波系數提取特征向量。最后把經過小波包分解與重構后故障信號的特征向量進行歸一化處理，采用這種方法既提高了信號的分辨率，也起到了很好的消噪作用。
　　基于ADAMS滾動軸承單體故障建模與仿真研究。在Solidworks軟件中建立以Rexnord ER10為對象的滾動軸承模型，通過模擬仿真，

4、設定與實驗相關參數，獲得理想狀態(tài)下的滾動軸承單體故障信號。將仿真獲得的滾動軸承單體故障信號和實驗數據作為輸入樣本建立各故障模式的高斯混合隱馬爾科夫模型（GMM-HMM），采用實驗數據與仿真數據作為高斯混合隱馬爾科夫模型的輸入樣本還能很好的適應于后階段對滾動軸承各故障模式不同損傷程度的判別提供很好的依據。
　　高斯混合隱馬爾科夫模型在故障診斷中的應用。由于隱馬爾科夫模型最先應用于語音識別領域，在滾動軸承故障診斷中鮮有考慮，本文針對滾

5、動軸承故障診斷特性分析，討論了隱馬爾科夫模型在滾動軸承故障診斷應用中的可行性，并且對隱馬爾科夫模型幾種不同類型應用方法進行了探討，其探討結果認為高斯混合
　　隱馬爾科夫模型對滾動軸承故障診斷的應用比其他幾種類型的方法更有優(yōu)勢。
　　基于高斯混合隱馬爾科夫模型的滾動軸承故障診斷建模與實驗驗證。滾動軸承故障信號通過小波包分解與重構后獲得能量特征信號利用信號各頻段的能量組成的特征矢量作為 GMM-HMM模型樣本輸入,對 GMM-H

6、MM模型進行訓練,獲得滾動軸承各故障模式不同故障尺寸的高斯混合隱馬爾科夫模型。最后利用實驗數據和仿真數據對已經建立起來的GMM-HMM模型進行測試,通過計算當前的狀態(tài)監(jiān)測數據在 GMM-HMM模型庫出現的概率，并且根據出現的最大概率來評估其所處的故障模式。該研究發(fā)現經過小波包分解與重構后的滾動軸承故障信號，能很好的應用于隱馬爾科夫模型，獲得較高的識別率，并且建立隱馬爾科夫模型所需要的樣本數量少，計算并不復雜，所以基于小波包分解與重構和隱