混合特征驱动的滚动轴承智能故障诊断方法

针对采用传统特征指标进行故障诊断准确率较低的问题,提出了一种基于混合标度律特征和改进支持向量机的滚动轴承智能故障诊断方法。首先,利用超阶分析得到指示故障的标度律指标,并将其与常规特征指标相结合构造混合特征指标矩阵,提升特征指标对故障的区分度。其次,采用支持向量机(support vector machines, SVM)对构造的混合特征矩阵进行分类,利用粒子群优化算法对SVM中重要参数进行优化。最后,利用滚动轴承试验台对提出的滚动轴承智能故障诊断方法进行验证。结果表明,与常规特征相比,利用构造混合特征指标得到的训练准确率提高了13%,测试准确率提高了23%。所提方法不仅能识别不同故障类型,而且能对同一故障不同损伤程度进行识别,有望进一步实现滚动轴承故障定量诊断。     

Tikhonov正则化在运行工况传递路径分析的应用

针对传统运行工况传递路径分析(operational transfer path analysis,简称OTPA)存在的不足,通过理论和试验分析,提出基于Tikhonov正则化方法的OTPA反问题模型。首先,分析Tikhonov正则化方法的理论优势,给出Tikhonov正则化参数选择的依据,同时调节电机转速获得不同运行工况数据,利用奇异值分解方法研究壳体结构的振动传递路径,分析传统OTPA算法总贡献量误差及路径贡献量估计精度;其次,分析运行工况数据是否满足Picard条件,提出基于Tikhonov正则化方法的OTPA算法,并分析Tikhonov正则化参数对所提出算法的影响。分析结果表明,所提出的方法显著减小了总贡献量和路径贡献量误差以及路径误判现象。该研究可为振动噪声监控与减振降噪提供理论依据。