设备设计/诊断维修/再制造
现代制造工程(Modem Manufacturing Engineering）
2016年第7期
基于LCD和GMM的滚动轴承寿命预测方法
刘吉彪，程军圣，刘燕飞
（1河南工业职业技术学院机械工程系，南阳473000；2湖南大学机械与运载工程学院，长沙410082）摘要：滚动轴承寿命预测的关键在于振动信号特征提取和模式识别，提出基于局部特征尺度分解（LCD）和高斯混合模型（GMM)的滚动轴承寿命预测方法。首先在对滚动轴承全寿命数据进行LCD分解后，提取各个分量的特征值并加人时间因子重构特征向量；然后利用CMM对全寿命数据的特征向量进行聚类，将全寿命数据在时域上分成若干个退化状
预测。实验数据的分析结果表明，将LCD、CMM和径向基神经网络相结合可以有效地实现滚动轴承寿命预测。关键词：局部特征尺度分解；高斯混合模型；神经网络；时间因子；滚动轴承；寿命预测
中图分类号：TN911.7;TH165文献标志码：A文章编号：1671—3133(2016)07—0120—05 DOI:10.16731/j.cnki.16713133.2016.07.024
ThelifeforecastingmethodforrollingbearingbasedonLCDandGMM
Liu Jibiao',Cheng Junsheng",Liu Yanfei?
(1 Department of Mechanical Engineering,Henan Polytechnic Institute,Nanyang 473000,Henan,China; 2 College of Mechanical and Vehicle Engineering,Hunan University,Changsha 410082,China)
Abstract; The key of the life forecasting for roller bearing is vibration signal feature extraction and pattem recognition. The life forecasting for roller bearing based on Local Characteristic-scale Decomposition ( LCD) and Gaussain Mixture Model ( GMM) is proposed. Firstly,after the whole life data of rolling bearing is decomposed by LCD method,the feature values of the components are extracted and the feature vector is reconstructed by using the time factor; then the feature vectors are clustered in time domain by using GMM and the whole life data is divided into some degenerate states in time domain;finally,the different degenerate state data is served as training samples for neural network training and the life of roller bearing is forecasted by using the trained neural network. The experiment results show that the combination of LCD, GMM and neural network can be effectively applied to the life forecasting for rolling bearing
Key words: Local Characteristic-scale Decomposition( LCD) ; Gaussain Mixture Model( GMM) ;neural network ;time factor;roller bearing; life forecasting
0引言
滚动轴承是机械设备中使用最广泛，且极易损坏的零件之一，由其引发的故障是引起设备失效的重要原因，因此对滚动轴承进行寿命预测具有十分重要的意义。
滚动轴承的寿命预测有两个关键问题：一是特征提取；二是模式识别。当滚动轴承工作状态退化时，其振动信号表现为非平稳特性。小波变换、经验模态分解（EmpiricalModeDecomposition，EMD）方法可以
，国家自然科学基金项目（51075131） 120
万方数据
有效地对非平稳信号进行分析并提取特征，因此在滚动轴承故障诊断中得到了广泛的应用[23]，但小波变换和EMD方法都有各自的缺陷[43]。局部特征尺度分解（LocalCharacteristic-scaleDecomposition,LCD）是一种新的自适应时频分析方法，它可以自适应地将任何一个复杂信号分解为若干个瞬时频率具有物理意义的内票尺度分量（Intrinsic ScaleComponent，ISC）之和，适合于处理非平稳振动信号[}。经研究表明，LCD 方法具有迭代次数少、端点效应不明显以及得到的虚假分量少等优点，同时，LCD方法避免了EMD等方法