滚动轴承故障诊断研究范文

本站小编为你精心准备了滚动轴承故障诊断研究参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

在滚动轴承的故障诊断过程中，基于振动信号从时域、频域、时频域等多个方面提取反映滚动轴承运行状态的特征指标，可以有效地识别其运行状态。然而滚动轴承振动信号通常具有一定的非线性、非平稳性,单一的特征指标难以有效判断其故障状态，因此,通常用高维特征指标来判断故障状态,但如何从“高维数、非线性”的多特征数据中提取最能反映滚动轴承运行状态的本质特征显得尤为重要。为实现滚动轴承多故障特征的智能诊断，需要寻找新型机器学习模型。支持向量机（SVM）在解决小样本、非线性及高维模式识别问题上十分有效，最小二乘支持向量机（LSSVM）通过构造损失函数将原支持向量机中算法的二次寻优变为求解线性方程，其求解速度较快，在函数估计、逼近和系统建模中得到了广泛应用。基于以上优点，将其引入到滚动轴承的故障诊断中来。

1LLE算法

LLE算法假定数据集所在的低维结构和从低维结构到高维观测空间的光滑嵌入映射在局部都是线性的。从而低维结构在观测空间中的像在局部也是线性的,观测空间中的每个数据点都可以用它的近邻点来线性表示,且具有与在低维结构上的原像点相同的线性结构,即低维结构上的每个点用其近邻点线性表示的权重与它们在高维空间中的线性表示权重相同。但低维结构和光滑嵌入映射的局部线性性质只是一种假设,在大部分情况下不能严格成立,另外加上数据中的噪音等,这种线性一般都会有误差。在LLE算法中,也正是通过最小化线性重构误差首先确定每个采样点由近邻重构时的权重信息,然后在低维结构上保持对应点的权重不变,再次通过最小化在低维结构上的重构误差来求出它们在低维结构上的总体嵌入坐标。

2LSSVM原理

（1）标准支持向量机采用拉格朗日乘子法求解这个具有线性约束的二次规划问题，得到的对偶问题为。（2）最小二乘支撑向量机最小二乘支持向量机算法中，通过对标准支持向量机的目标函数做出改进，优化指标采用了平方项，只有等式约束。

3应用实例分析

（1）实验系统滚动轴承振动信号的数据来源于美国凯斯西储大学电气工程实验室的滚动轴承故障模拟实验台的轴承数据，该实验台主要由一个负载为2.33kW的电动机，一个扭矩传感器/译码器，一个测试计，以及电子控制器组成，滚动轴承故障信号时域图如图2所示。从时域波型看，不同状态的轴承其时域波型各有不同，但仅靠时域波型，难以确认轴承是否有故障和相应的故障类型。（2）故障分析与诊断结果对滚动轴承4种不同状态的振动信号分别计算定量的时域和频域统计特征指标量，包括平均幅值、均方根植、峭度、方差、方根幅值、波型指标、脉冲指标、峭度指标、裕度指标、均值频率、中心频率、均方频率、标准偏差频率、频率散度，构造混合域特征集来表征滚动轴承的各类故障模式。采用LLE对混合特征集进行约简降维处理，得到滚动轴承不同各章状态的3维空间分布如图3所示。从图3可以看出，在LLE的3维嵌入空间分布图中，各类样本基本都聚集在一个小的空间范围内，且各类故障样本点按一定规律排布，将同一类样本点连起来可构成一条近似的二次曲线，4种不同样本，可构成4条不同二次曲线，基本上实现了不同样本的有效区分。为了实现滚动轴承故障模式的智能识别，将降维后的三维特征向量输入给LSSVM进行故障模式识别，将其结果与未采用LLE处理直接输入LSSVM的结果相比较，其结果如表1所示。从表1可以看出，滚动轴承的故障特征在约简前后的诊断准确率有一定不同，特征约简后的故障诊断准确率明显优于原始特征的故障诊断准确率，这说明原始的故障特征中存在一定的冗余信息，这些冗余信息弱化了支持向量机的分类能力，因此通过局部线性嵌入进行降维处理是十分必要的。

4结语

本文综合了LLE降维方法与LSSVM故障模式识别，建立了基于LLE与LSSVM的滚动轴故障诊断方法，得出以下结论：（1）针对故障诊断领域中获取的样本数据往往体现出高维、复杂、非线性的特性，采用LLE算法可以有效地提取出样本数据的敏感特征,滤除冗余信息，降低原始特征空间的维数；（2）LLS作为一种性能优越的模式识别模型应用与滚动轴承的故障诊断，它对滚动轴承的各种故障能够做出正确的判断。通过与LLE算法结合，可使故障识别率平均提高5%；（3）基于LLE和LSSVM的滚动轴承故障诊断方法在一定程度上提升了滚动轴承故障诊断的准确率。但是在邻域k及目标维数d的选择上，还存在一些问题。这2个参数，目前还没有明确统一的选择标准和选择方法，因此在应用时存在一定的盲目性。

作者：李力 李冕 陈法法 单位：三峡大学 水电机械设备设计与维护湖北省重点实验室