基于符號(hào)化時(shí)間序列分析的軸承故障診斷方法研究.pdf

1、軸承是旋轉(zhuǎn)機(jī)械設(shè)備的關(guān)鍵部件，其可靠性對(duì)設(shè)備的安全運(yùn)行至關(guān)重要。隨著現(xiàn)代工業(yè)技術(shù)的發(fā)展，機(jī)械設(shè)備中軸承的工作條件越來越苛刻，發(fā)生故障的概率越來越大。從歷史統(tǒng)計(jì)數(shù)據(jù)來看，軸承是旋轉(zhuǎn)機(jī)械發(fā)生故障概率最大的部件之一，因此對(duì)軸承的故障診斷方法研究具有十分重要的意義。符號(hào)化時(shí)間序列分析是由符號(hào)動(dòng)力學(xué)理論、混沌時(shí)間序列分析和信息理論發(fā)展起來的一種新的信號(hào)分析方法，經(jīng)過近十幾年的迅速發(fā)展已經(jīng)逐漸成熟。將符號(hào)化時(shí)間序列分析引入到軸承的故障診斷當(dāng)中，可以

2、為軸承故障診斷提供一種新的解決思路。本文著重研究基于符號(hào)概率有限狀態(tài)機(jī)特征提取的軸承智能診斷算法，主要工作和研究成果歸納如下:
　　(1)介紹了符號(hào)化時(shí)間序列分析的基本理論，在對(duì)之前符號(hào)化方法總結(jié)分析的基礎(chǔ)上，提出了一種高效實(shí)用的符號(hào)化方法:基于概率密度相空間劃分的符號(hào)化方法。在該方法中，首先對(duì)時(shí)間序列進(jìn)行概率密度統(tǒng)計(jì)分析，進(jìn)而確定若干個(gè)概率相等的區(qū)間，然后對(duì)屬于特定區(qū)間的值賦予一個(gè)特定的符號(hào)，這樣就把原始時(shí)間序列轉(zhuǎn)化成了符號(hào)時(shí)間

3、序列。為了檢驗(yàn)該方法的效果，將基于概率密度空間劃分的符號(hào)化時(shí)間序列分析方法用于軸承疲勞實(shí)驗(yàn)的異常診斷當(dāng)中。通過對(duì)比實(shí)驗(yàn)表明，概率密度符號(hào)化方法與傳統(tǒng)的空間劃分方法相比對(duì)異常更加敏感，能夠更早的診斷出軸承狀態(tài)的異常變化。
　　(2)將符號(hào)化概率有限狀態(tài)機(jī)擴(kuò)展到二維空間上，提出了一種基于短時(shí)傅里葉變換的二維符號(hào)概率有限狀態(tài)機(jī)特征提取方法。相比傳統(tǒng)的方法在兩個(gè)方面做了補(bǔ)充和改進(jìn):首先，使用短時(shí)傅里葉變換系數(shù)代替小波系數(shù)作為符號(hào)概率有限狀

4、態(tài)機(jī)的輸入。其次，對(duì)有限狀態(tài)機(jī)中的狀態(tài)矩陣確定方法進(jìn)行了改進(jìn)，提出了一種忽略矩形框中符號(hào)排列而只考慮符號(hào)分布的策略來對(duì)狀態(tài)進(jìn)行壓縮的方法，這一改進(jìn)提高了該特征提取方法的計(jì)算效率。
　　(3)傳統(tǒng)的K-最近鄰分類算法，隨著訓(xùn)練樣本數(shù)量增加所需的存儲(chǔ)空間與計(jì)算時(shí)間將大大增長。針對(duì)上述局限性提出了一種基于K-means聚類改進(jìn)的K-最近鄰分類算法。該改進(jìn)算法，首先使用K-means對(duì)訓(xùn)練集進(jìn)行聚類分析，使各類訓(xùn)練樣本數(shù)量得到壓縮，然后使

5、用K個(gè)最近壓縮樣本對(duì)未知類型樣本進(jìn)行分類。這一改進(jìn)提高了算法的計(jì)算效率、并避免了樣本數(shù)量分布不均衡對(duì)分類的影響。
　　(4)給出了基于符號(hào)化時(shí)間序列分析的軸承智能故障診斷方法，并對(duì)實(shí)際軸承故障信號(hào)進(jìn)行分類診斷。共進(jìn)行了軸承內(nèi)圈、球體、外圈三類故障損傷程度的檢測(cè)，三組實(shí)驗(yàn)平均分類正確率為99.00％、92.33％、99.92％，均表現(xiàn)了較高的識(shí)別率。為了驗(yàn)證對(duì)K-最近鄰算法改進(jìn)的有效性，同時(shí)進(jìn)行了傳統(tǒng)K-最近鄰算法的對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)表