第6期 2016年6月
组合机床与自动化加工技术
ModularMachineTool&AutomaticManufacturingTechnique
文章编号：10012265(2016)060106-05
DOI:10.13462/j.cnki.mmtamt.2016.06.028
No.6 Jun.2016
基于局部切空间排列与WSVM的滚动轴承故障诊断
陈法法"b，李冕”，肖文荣"，钟先友
（三峡大学a.新能源微电网湖北省协同创新中心；b.水电机械设备设计与维护湖北省重点实验室，湖北宜昌443002）
摘要：针对滚动轴承的多类故障特征非线性难以有效辨识的问题，提出基于局部切空间排列和小波支持向量机的滚动轴承故障诊断方法。在由集成经验模式分解（EnsembleEmpiricalModeDecompo-sition,EEMD)处理后的频带能量组成的故障特征集中，首先采用局部切空间排列进行约简降维，提取其中的低维敏感特征，随后将获取的低维敏感特征榆入给小波支持向量机进行滚动轴承的多类故障辨识。实验结果表明，基于局部切空间排列（localtangentspacearrangement，LTSA）和小波支持向量机（waveletsupportvectormachine，WSVM）的滚动轴承故障诊断方法能够有效提取多类故障的低维敏感特征，并且相对传统诊断方法而言故障诊断精度更高。
关键词：局部切空间排列；小波支持向量机；滚动轴承；故障诊断
中图分类号：TH165;TG65
文献标识码：A
The Roller Bearing Fault Diagnosis Based on Local Tangent Space Alignment and WSVM
CHEN Fa-fab,LIMian,XIAOWen-rong",ZHONG Xian-youb
(a. Hubei Key Laboratory of Hydroelectric Machinery Design & Maintenance; b. Hubei Provincial Collabora-tive Innovation Center for New Energy Microgrid, China Three Gorges University, Yichang Hubei 443002,Chi-na)
Abstract ; Aimed at the problem that the multi-class fault feature of rolling bearings are difficult to be effec-tively identified,a fault diagnosis method of rolling bearing based on local tangent space arrangement(LT-SA)and wavelet support vector machine(WSVM)is proposed. The feature sets are constituted of the fre-quency band energy decomposed by Ensemble Empirical Mode Decomposition(EEMD). Firstly,it uses the local tangent space alignment for high dimension reduction. Then,the low-dimensional sensitive fault features are extracted from the original fault feature set. Finally,those low dimensional sensitive fault features are in-putted into the wavelet support vector machine for rolling bearing multi-class fault identification. The experi-mental results show that the rolling bearing fault diagnosis method based on the LTSA and WSVM can effec-tively extract more low-dimensional sensitive fault features,and the fault diagnosis accuracy is higher than that of the traditional diagnosis method.
Key words:local tangent space alignment;wavelet support vector machine;roller bearing;fault diagnosis
0引言
滚动轴承是旋转机械中起动力支撑作用的关键部件，一且出现故障将严重影响设备的正常运行)。建立滚动轴承故障诊断系统来监测和定位故障，可以有效提高旋转机械的运行可靠性。
在滚动轴承的故障诊断过程，从时频域提取故障特征构造故障特征集可以扩大信息量，使得诊断结果更为准确[2-3]。然而，由于时频域特征集中的故障信息往往并不是孤立的，它们往往存在一定的关联，或依赖、或重叠，从而导致故障特征集中存在大量允余信息，大大增加了
故障诊断的复杂度(4)。依据故障特征之间的关联特点，采用非线性流形学习方法一局部切空间排列(localtangent spacealignment，LTSA）进行优化融合，可以剔除大量允余信息，提高故障特征的敏感性[36]。
在获取了滚动轴承的敏感特征之后，则需采用合理的智能诊断方法实现故障的可靠辨识。支持向量机（supportvectormachine，SVM）作为一种模式识别方法，能够在有限的故障特征信息中挖掘出隐含的故障类别信息，具有比神经网络等传统故障诊断方法更强的泛化推广能力[7]。支持向量机通过核函数将输人特
收稿日期：2015-11-16
*基金项目：国家自然科学基金（51405264,51205230）；三峡大学人才启动基金（KJ2014B007）：潮北省教育厅项目（B2015248）
作者第介：陈法法（1983一），男，潮北秭归人，三快大学副教授，硕士生导师，博士，研究方向为机电系统动态测试与故障诊断，（E-mail）chen
fafa2005@126.com。
万方数据