基于振动信号的轴承故障诊断

• 作 者: 李志伟
• 出 处: 西南石油大学
• 发表日期: 2004年期
• 关键词: 滚动轴承 故障诊断 盲源分离 小波包变换 密度峰值

滚动轴承是现代机械设备中应用非常广泛的通用零件之一。其作为旋转机械的核心,一旦故障就会对设备的正常运行构成严重威胁。通常情况下,传统的故障检测方法忽略了传感器采集到的振动信号是多个故障源信号叠加的事实,同时在故障检测中存在故障样本数量不足、模式复杂、难以辨识的问题。由此,本文提出一种新的基于密度峰值分类的滚动轴承故障识别算法,以提高故障识别的准确率。为了解决滚动轴承模式识别的问题,设计一套方案,其主要包括以下五步。1、在实际工业生产的环境下,通过传感器采集到的滚动轴承振动信号是多个部件振动信号的叠加,因此会包含大量的噪声。由于这些噪声和无关频率的影响,会对实验结果造成较大的影响,所以轴承故障诊断的首要工作是对原始信号去噪。为了解决这一问题,本文采用基于负熵的盲源分离算法降噪。即通过盲源分离技术从混合信号中分离出来源信号,得到其最佳估计值。2、为了能更加准确的提取关键、有效的轴承故障信息,找到与正常振动信号差异最明显一段的故障数据,采用一种TARZAN异常时序检测算法来检测序列的异常长度。3、通过时域、频域、时频分析计算表征滚动轴承运行状况的多个特征参数。4、通过主成分分析法降维消除特征参数之间的相关影响,形成了彼此相互独立的主成分,组成轴承故障特征向量,用来准确的反映轴承运行状况。5、提出一种新的基于密度峰值的分类算法识别故障数据类别。为了验证本文所提方案的可行性,分别在美国西储大学轴承故障数据集和从QPZ-Ⅱ型机械振动分析及故障诊断平台上采集的数据集上,不同故障比(故障数据和正常数据比例不同)数据集上,和其他经典分类算法如KNN,J48,NB等作对比。实验结果表明,本文所提出的密度峰值分类算法对故障类型识别达到90%以上,在一定程度上做到了有效识别故障类别,证明了所提方案可行性和算法的准确性。