论文部分内容阅读
轴承作为众多类型旋转机械的重要部件，一旦发生故障将影响整台机械的正常运行甚至导致失效。对于滚动轴承的状态监测与故障诊断具有重要的意义。通过传感器采集振动信号，提取故障振动信号的多特征指标进行模式识别是滚动轴承故障诊断的重要方法。多特征指标集的提取有利于更全面监测轴承运行状态。然而在故障诊断领域，特征指标的选取存在盲目性和经验依赖的不足，关于故障特征的选取没有可以通用的准则。 本文针对多特征故障诊断中存在的特征选取盲目性和经验主义弊端，提出一种敏感度多特征指标选取方法。该方法首先结合具体故障样本，计算出故障特征集中所有特征指标的敏感度值；然后结合具体故障诊断方法确定故障特征集最佳维数。本文以西储大学轴承故障实验台数据作为研究对象，首先提取了时域、频域以及时频域一共28个特征指标。依据基于敏感度的多特征指标选取方法，按敏感度值由高到低从原有故障特征集中选取了12组特征指标构成敏感度特征集；又从原有故障特征集中随机抽取2组各12个特征构成随机特征集1和2进行对比分析。 对三种降维方法PCA、KPCA以及LLTSA（线性局部切空间排列）通过两组数据降维实验进行比较分析，基于流形学习的LLTSA算法对于高维数据的降维能够保留数据内在几何结构，因而选择了LLTSA算法用于故障多特征指标集的降维。然后结合模糊C均值聚类算法对轴承故障进行故障诊断分析，实例证明基于敏感度的多特征指标选取方法选取的特征集故障识别准确率高于随机选取的特征集；基于流形学习的LLTSA算法对高维故障特征集的降维能明显提高故障诊断准确率。最后还利用SOM神经网络和RBF神经网络的故障诊断实验，诊断结果表明无监督学习方法在故障诊断时对样本依赖小，因而优于有监督学习方法。