第8期 2016年8月
组合机床与自动化加工技术
ModularMachineTool&AutomaticManufacturingTechnique
文章编号：1001-2265(2016)08005403
D0I:10.13462/j.cnki.mmtamt.2016.08.015
基于SVD-LMD与DHMM在滚动轴承
故障诊断中的应用徐康，黄民马超高宏
（北京信息科技大学机电工程学院，北京100192）
No.8 Aug.2016
摘要：针对滚动轴承早期故障信号微弱难以提取和故障类型不易判别的缺点，提出了基于奇异值分解(SVD)-局部均值分解(LMD)与离散隐马尔可夫模型(DHMM)的滚动轴承故障类型识别方法。首先，对经过相空间Hankel矩阵重构的原始声学信号进行SVD降噪得到特征信号，再运用LMD对特征信号分解而产生一系列的乘积函数(PF)，为去除LMD分解过程中产生的虚假分量，选择与特征信号相关系数值较大的PF并构建特征向量T以完成信号特征提取。最后，将T进行量化后作为特征观测值输入已训练收效的DHMM模型进行故障状态识别。并与支持向量机(SVM)进行比较研究。实验结果表明，基于SVD-LMD与DHMM的滚动轴承故障诊断模型在声学信号下对早期滚动轴承的故障具有较高的识别率。
关键词：滚动轴承；故障诊断；奇异值分解；局部均值分解；离散隐马尔可夫模型
中图分类号：TH117：TG68
文献标识码：A
The Application of SVD-LMD and DHMM to Fault Diagnosis of Rolling Bearing
XU Kang,HUANG Min,MA Chao,GAO Hong
(School of Mechanic and Electric Engineering, Beijing Infomation Science & Technology University, Beijing 100192,China)
Abstract: Aiming at the early acoustics signal of rolling bearing being featured and the fault states becing classified difficultly, the method of fault diagnosis for rolling bearing based on SVD-LMD and DHMM is applied to this paper. Firstly, the raw acoustics signal dealt with Hankel matrix is denoised by SVD. And then the signal is decomposed into Product Function(PF) by LMD after SVD denoising. It's necessary for PFs to compute the correlation coefficient between PFs and featured signal for removing the false weight. The PFs with high correlation coefficient value are chosen and processed by quantization. Finally, the fea-ture vectors are input into the trained DHMM for recognition. The experimental results show that the method of SVD-LMD and DHMM is superior to the method of SVD-LMD and SVM, and it can identify the fault states of rolling bearing accurately and effectively
Keywords:rolling bearing;faultdiagnosis;SVD;LMD;DHMM
0引言
滚动轴承作为设备运行的关键部件，其健康、安全地运行对机器设备正常运转具有重要作用。近年来，高金吉、PeterWT等国内外学者对滚动轴承的故障诊断进行了深人研究[2-】，但滚动轴承早期故障往往具有故障信号微弱并伴随着强噪声与较强窄带脉冲的特点4)，并且这种非平稳信号中的噪声信号在频带上往往与系统信号混叠，而传统的滤波降噪方法只能够通过设置不同的通带来滤除噪声信号(3)，所以传统滤波方法很难对滚动轴承早期故障信号进行降噪。并且，当前滚动轴承故障信号处理方法以傅里叶变换、小波变换等为主，但傅里叶变换的时频窗口是固定不变的"]，其不能对滚动轴承早期故障信号进行自适应分
收稿日期：2016-01-21：修回日期：20160223
解。文献[7]提出了小波变换提取滚动轴承故障特征的方法，但小波变换本质上是对时频窗口进行机械性地分割，同样不能够自适应地处理非平稳信号；经验模态分解（EMD)能够自适应地将非平稳信号通过不断地“筛分”得到一系列的固有模态函数（IMF）[89)，自适应分解非平稳信号的特点使得EMD得到了广泛的应用，但端点效应以及其通过样条差值求取包络函数过程中产生的欠冲和过冲问题使得其在滚动轴承信号提取中的应用受到了限制。故本文提出了基于SVD-LMD的滚动轴承故障信号特征提取方法，此方法能够有效提取滚动轴承故障信号特征，并将提取的故障特征通过DHMM自动判别故障状态，从而使得滚动轴承故障诊断更加趋于智能化。
*基金项目：国家科技重大专项（2013ZX04011-012）
作者简介：徐康（1991一），男，江苏宿迁人，北京信息科技大学硕士研究生，研究方向为机电系统状态监测与故障诊断，（E-mail)）kingkang2015@
163.com。
万方数据