基于KJADE的軸承故障識別與性能退化評估方法研究.pdf

1、滾動軸承作為旋轉機械中重要的部件，其運行狀態(tài)的健康與否直接關系到機械設備的穩(wěn)定安全，因此對軸承進行故障診斷和性能退化評估意義重大。本文以滾動軸承為研究對象，提出核函數特征矩陣聯合近似對角化(Kernel JointApproximate Diagonalization of Eigen-matrices，KJADE)特征融合方法，并結合其它信號處理方法和機器學習方法，分別對滾動軸承的特征提取、故障識別、性能退化評估等問題進行了研究。

2、r>　　本文首先對KJADE特征融合算法的理論進行研究，其以一維或多維信號作為處理對象，從不同域提取信號的原始特征集，并經過非線性函數將其映射到高維特征空間，從而使得低維空間中存在的線性不可分問題轉變成高維空間中的線性可分問題。然后引入核函數的思想代替高維特征空間中復雜的內積計算并得到核矩陣，計算其四階累積量矩陣并進行特征分解，從而得到非線性低維敏感特征。該特征分布消除了原始特征間的相關性和冗余性，較于傳統(tǒng)的線性JADE方法，該算法對非

3、線性信號擁有更好的適用性。
　　在軸承的故障識別中，首先從時域、頻域和時頻域對振動信號的特征參數進行計算并組成原始多域特征集，然后使用KJADE算法提取更為穩(wěn)健有效的低維特征。主要研究了基于KJADE的低維非線性特征融合技術，通過對多類軸承故障振動信號進行特征提取，以及與其他典型降維方法的比較結果，得出本文所提取的低維特征在特征空間內具有非常好的聚類效果。并研究KJADE特征子空間的構建，并作為支持向量機(Support Vect

4、or Machine，SVM)的學習樣本，實現對軸承的故障識別。
　　基于兩類模型可以有效評估故障樣本與健康樣本之間的差異性，對軸承的性能退化評估進行了研究。利用KJADE對滾動軸承的全壽命振動信號進行低維特征指標的提取，獲得能夠反映軸承性能退的敏感屬性。主要研究了基于KJADE和兩類模型的性能退化指標提取技術，并獲得了更為穩(wěn)健單調的評估指標，其對于早期故障的發(fā)現也更為及時有效。在此基礎上研究了極限學習機(ExtremeLearn

5、ing Machine，ELM)在軸承性能退化趨勢預測上的應用，通過對退化指標的歷史數據進行學習，能夠較好的實現對下一時刻軸承狀態(tài)的預測。
　　此外，上述研究和分析是建立在凱斯西儲大學軸承實驗數據、Cincinnati大學智能維護中心的滾動軸承全壽命振動數據和本文作者所在實驗室所采集到的軸承疲勞實驗數據基礎之上。本文研究表明，KJADE特征融合方法能夠提取反映軸承運行狀態(tài)的有效敏感特征，對軸承的故障識別和性能退化評估都具有非常重要