ISSN1000 3762 CN41 1148/TH
轴承2016年11期 Bearing 2016,No.11
基于频域稀疏分类的滚动轴承故障诊断方法
李卫民，马继召，余发军2
(1.唐山职业技术学院机电工程系，河北唐山063004;2.中原工学院信息商务学院，郑州451191）
58 61
摘要：针对基于特征频率识别的滚动轴承故障诊断方法存在易受强噪声干扰的问题，提出基于频域稀疏分类算法的诊断方法。首先对已知故障类型的滚动轴承振动信号进行时频变换，利用频域变换系数构造训练字典，再将待测轴承振动信号的频域系数在该字典上进行稀疏分解，求取稀疏系数，根据重构误差的最小值确定故障类
型。测试结果表明：该方法能有效克服噪声干扰，并醛免故障特征频率的估算问题。关键词：滚动轴承；故障诊断；稀疏分类；频域变换
中图分类号：TH133.33;TN911.7
文献标志码：B
文章编号：10003762(2016)11005804
Fault Diagnosis Method for Rolling Bearings Based on Frequency-domain
SparseClassification
Li Weimin', Ma Jizhao', Yu Fajun?
( 1. Department of Electromechanical Engineering , Tangshan Vocational and Technical College, Tangshan 063004, China; 2. College of Information and Business,Zhongyuan University of Technology,Zhengzhou 451191, China)
Abstract : For the problem that the fault diagnosis methods based on feature frequency identification for rolling bearings are susceptible to strong noise, a diagnosis method based on frequency domain sparse classification is proposed. First-ly, the vibration signals of bearings with known fault types are transformed from time to frequency domain, and the fre-quency domain transform coefficients are used to construct a training dictionary. Then the frequency domain coefficients of vibration signals of test bearings are sparsely deconposed on dictionary to get sparse coefficients. The fault types are determined according to minimum reconstruction error. The test results demonstrate that the method can effectively over come noise interference and avoid estimation of fault feature frequency
Key words : rolling bearings ; fault diagnosis ; sparse classification; frequency domain transfom
由于工况的复杂性，轴承是机械设备中极易
损坏的部件，因此对轴承开展状态监测与诊断，对整个设备的稳定运行具有重要意义[]。在众多轴承诊断方法中，振动分析法最为常用，其利用安装在轴承周围的加速度传感器测取设备运行时的振动信号，并根据振动信号所含的特征成分判断故障的有无和类型(2)。
对于振动信号中特征成分的识别及提取问
题，有Founer变换、小波变换、时频分析和经验模态分解等信号处理方法。这些方法均是对一维时
收稿日期：2016-04-15；修回日期：2016-06-17
基金项目：河南省高等学校重点科研项目（15B510017）
作者简介：李卫民（1981一），男，硕士，讲师，主要研究方向
为机械工程，Email：lwm810921@126.com 万方数据
域振动信号进行故障特征成分提取、依据特征频率与理论故障特征频率对比判断故障类型[3)。然而，该类方法容易受强噪声于扰，而且当轴承深埋安装于某些大型设备中时，其理论故障特征频率不易估算，依据故障特征识别的诊断方法难以奏效。
基于分类思想的故障诊断方法利用不同故障
样本的特征差异性确定故障类型，避免单一样本故障特征频率的计算，为旋转机械故障诊断提供了另外一种途径"}。其一般由样本筛选、特征提取、分类器建立和判断决策4个步骤完成[3]，其中常用于故障诊断的分类器有人工神经网络、Fishier 分类器、支持向量机等。近年来，基于信号稀疏表示的分类算法广泛应用于语音识别、图像分类及人脸识别中，取得了显著的效果。因此，将信号稀