滾動軸承故障診斷研究范文

本站小編為你精心準備了滾動軸承故障診斷研究參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

在滾動軸承的故障診斷過程中，基于振動信號從時域、頻域、時頻域等多個方面提取反映滾動軸承運行狀態的特征指標，可以有效地識別其運行狀態。然而滾動軸承振動信號通常具有一定的非線性、非平穩性,單一的特征指標難以有效判斷其故障狀態，因此,通常用高維特征指標來判斷故障狀態,但如何從“高維數、非線性”的多特征數據中提取最能反映滾動軸承運行狀態的本質特征顯得尤為重要。為實現滾動軸承多故障特征的智能診斷，需要尋找新型機器學習模型。支持向量機（SVM）在解決小樣本、非線性及高維模式識別問題上十分有效，最小二乘支持向量機（LSSVM）通過構造損失函數將原支持向量機中算法的二次尋優變為求解線性方程，其求解速度較快，在函數估計、逼近和系統建模中得到了廣泛應用?；谝陨蟽烖c，將其引入到滾動軸承的故障診斷中來。

1LLE算法

LLE算法假定數據集所在的低維結構和從低維結構到高維觀測空間的光滑嵌入映射在局部都是線性的。從而低維結構在觀測空間中的像在局部也是線性的,觀測空間中的每個數據點都可以用它的近鄰點來線性表示,且具有與在低維結構上的原像點相同的線性結構,即低維結構上的每個點用其近鄰點線性表示的權重與它們在高維空間中的線性表示權重相同。但低維結構和光滑嵌入映射的局部線性性質只是一種假設,在大部分情況下不能嚴格成立,另外加上數據中的噪音等,這種線性一般都會有誤差。在LLE算法中,也正是通過最小化線性重構誤差首先確定每個采樣點由近鄰重構時的權重信息,然后在低維結構上保持對應點的權重不變,再次通過最小化在低維結構上的重構誤差來求出它們在低維結構上的總體嵌入坐標。

2LSSVM原理

（1）標準支持向量機采用拉格朗日乘子法求解這個具有線性約束的二次規劃問題，得到的對偶問題為。（2）最小二乘支撐向量機最小二乘支持向量機算法中，通過對標準支持向量機的目標函數做出改進，優化指標采用了平方項，只有等式約束。

3應用實例分析

（1）實驗系統滾動軸承振動信號的數據來源于美國凱斯西儲大學電氣工程實驗室的滾動軸承故障模擬實驗臺的軸承數據，該實驗臺主要由一個負載為2.33kW的電動機，一個扭矩傳感器/譯碼器，一個測試計，以及電子控制器組成，滾動軸承故障信號時域圖如圖2所示。從時域波型看，不同狀態的軸承其時域波型各有不同，但僅靠時域波型，難以確認軸承是否有故障和相應的故障類型。（2）故障分析與診斷結果對滾動軸承4種不同狀態的振動信號分別計算定量的時域和頻域統計特征指標量，包括平均幅值、均方根植、峭度、方差、方根幅值、波型指標、脈沖指標、峭度指標、裕度指標、均值頻率、中心頻率、均方頻率、標準偏差頻率、頻率散度，構造混合域特征集來表征滾動軸承的各類故障模式。采用LLE對混合特征集進行約簡降維處理，得到滾動軸承不同各章狀態的3維空間分布如圖3所示。從圖3可以看出，在LLE的3維嵌入空間分布圖中，各類樣本基本都聚集在一個小的空間范圍內，且各類故障樣本點按一定規律排布，將同一類樣本點連起來可構成一條近似的二次曲線，4種不同樣本，可構成4條不同二次曲線，基本上實現了不同樣本的有效區分。為了實現滾動軸承故障模式的智能識別，將降維后的三維特征向量輸入給LSSVM進行故障模式識別，將其結果與未采用LLE處理直接輸入LSSVM的結果相比較，其結果如表1所示。從表1可以看出，滾動軸承的故障特征在約簡前后的診斷準確率有一定不同，特征約簡后的故障診斷準確率明顯優于原始特征的故障診斷準確率，這說明原始的故障特征中存在一定的冗余信息，這些冗余信息弱化了支持向量機的分類能力，因此通過局部線性嵌入進行降維處理是十分必要的。

4結語

本文綜合了LLE降維方法與LSSVM故障模式識別，建立了基于LLE與LSSVM的滾動軸故障診斷方法，得出以下結論：（1）針對故障診斷領域中獲取的樣本數據往往體現出高維、復雜、非線性的特性，采用LLE算法可以有效地提取出樣本數據的敏感特征,濾除冗余信息，降低原始特征空間的維數；（2）LLS作為一種性能優越的模式識別模型應用與滾動軸承的故障診斷，它對滾動軸承的各種故障能夠做出正確的判斷。通過與LLE算法結合，可使故障識別率平均提高5%；（3）基于LLE和LSSVM的滾動軸承故障診斷方法在一定程度上提升了滾動軸承故障診斷的準確率。但是在鄰域k及目標維數d的選擇上，還存在一些問題。這2個參數，目前還沒有明確統一的選擇標準和選擇方法，因此在應用時存在一定的盲目性。

作者：李力 李冕 陳法法 單位：三峽大學 水電機械設備設計與維護湖北省重點實驗室