设备设计/诊断维修/再制造
现代制造工程（ModernManufacturingEngineering）
2013年第12期
CHMM在滚动轴承故障诊断中的应用研究
郑晴晴，傅攀，李威霖
（西南交通大学机械工程学院，成都610031）
摘要：针对押经网络模型需求训练样本量大以及大部分神经网络处理的是静态模式识别的问题，提出一种具有良好分类能力的动态模式识别方法一连续混合高斯概率密度隐马尔科夫模型（CCHMM）。以滚动轴承为研究对象，首先通
进行优化降维，实现对模型输人数据的简化，进而利用简化的特征值矩阵分别训练各个状态的CGHMM，最后利用训练好的CCHMM进行滚动轴承的状态监测与故障诊断。实验结果表明，该方法不仅可以智能识别滚动轴承状态，而且所需
样本数较少，训练速度快，对实现滚动轴承智能化在线状态监测与故障诊断具有重要意义。关键调：故障诊断；隐马尔科夫模型；主元分析；小波包分解；滚动轴承
中图分类号：TH17文献标志码：A文章编号：1671—3133(2013)12—011105
Study on application of CHMM in rolling bearing fault diagnosis
Zheng Qingqing,FuPan,LiWeilin
(School of Mechanical Engineering,Southwest Jiaotong University,Chengdu 610031,China)
Abstract:The neural network models require a large amounts of training samples and most of them deal with the static pattem recongnition problems, So presents a dynamic pattem recognition method—Continuous Gaussian mixture Hidden Markov Model(CHMM) who has good ability of recognition. Make rooling bearings as the research objects and extract the characteristic parame-ters of the vibration signal using wavelet packet decomposition. Then use Principal Component Analysis ( PCA) to optimize and make dimensionality reduction of the characteristic parameters to simplify the input data, And train Continuous Hidden Markov Models ( HMM) of each state according to the simplified data. And finally ,make the condition monitoring and fault diagnosis of the rolling bearings via CHMM that has been trained. The experimental result shows that this method can not only recognize the state of the rolling bearings intelligently but also needs few training samples and has fast learning ability which has significant re alistic meaning to rolling bearings on-line monitoring
osodorooeaae (soeo(aoeaseo rolling bearing
0引言
滚动轴承是各种旋转机械中最常见的基本组件，
同时也是引起故障最多的零/部件之一。因此对于滚动轴承进行状态监测和故障诊断的研究具有重大的现实意义。
目前故障识别模型以神经网络模型应用最广，但训练神经网络模型需要大量的训练样本，在有限的训练样本情况下，泛化能力较差，具优化过程存在陷人局部极值的可能。而且大部分神经网络模型处理的是静态模式识别问题，而旋转机械的故障行为是一个
，中央高校基本科研业务费专项资金资助项目（SWJTU12CX039）万方数据
动态变化的过程。因此，需要寻求新的模式识别方法对滚动轴承进行状态监测和故障诊断。
在滚动轴承的状态监测中，监测到的是一个与时间有关的信号，因此故障诊断可以看作是信号随时间变化的动态模式识别问题。而在此过程中，被测轴承的状态一般不能直接观察到，要通过测量被测轴承的表现来感知，这和隐马尔科夫模型（HMM)在本质上是相通的。隐马尔科夫模型（HiddenMarkovModel， HMM)是语音识别中的主流技术，它能够对一个时间跨度上的信息进行统计建模和分类，并且可以通过将设备运行数据与该模型进行对比判断设备所处状态。
111