基于多维振动特征的滚动轴承故障诊断方法

单独提取滚动轴承振动信号的时域或频域特征进行故障诊断,是目前常用的轴承诊断方法,诊断精度有待提高。以时域和频域的多维振动特征参量为指标,以历史诊断正确率作为特征参量权值,分别对滚动轴承的无故障和经常出现的滚珠故障、内环故障和外环故障工况进行特征提取和故障识别。多维时频域振动特征是单维特征依据诊断精度权重的集合。运用BP神经网络分别对信号的时域特征(TDF)、IMF能量矩(IEM)、小波包能量矩(WPEM),以及多维时频域特征进行智能故障判别。实验验证用多维时频域振动特征参量综合诊断的方法进行滚动轴承故障诊断,比单维特征的诊断结果精确且效率较高,该方法可以在滚动轴承故障诊断领域展开应用。     

基于LMD-CM-PCA的滚动轴承故障诊断方法

为提高在非平稳工况下对滚动轴承故障的直观辨识能力,笔者提出基于LMD-CM-PCA的故障诊断方法。首先,对滚动轴承振动信号进行局部均值分解(local mean decomposition,简称LMD),提取乘积函数(product function,简称PF)矩阵;然后,计算PF矩阵与原振动信号的皮氏相关系数(pearson product-moment correlation coefficient,简称PPCC),将PFs对应的PPCC代入相关熵模型得到PF的相关熵矩阵(correntropy matrix,简称CM),CM经主成分分析(principal component analysis,简称PCA)进行特征变换得到融合相关熵矩阵(integrated correntropy matrix,简称ICM)。分别在轻微和严重故障时,对滚动轴承不同工况下的振动样本进行交叉混合,并计算其ICM。结果证明,ICM在可视维度比传统特征(如:能量矩和谱峭度)的融合特征更能隔离工况对故障可分性的干扰。LMD-CM-PCA方法为滚动轴承故障的直观辨识提供了技术支持,在故障诊断方面具有良好的应用前景。