隱半馬爾科夫模型在滾動軸承故障診斷中的研究和應(yīng)用.pdf

1、滾動軸承是各種大型旋轉(zhuǎn)機械中應(yīng)用最為廣泛的一種通用機械零部件,同時也是最易損壞的元件之一,它們在旋轉(zhuǎn)機械中起著至關(guān)重要的作用。據(jù)不完全統(tǒng)計,旋轉(zhuǎn)機械的故障大約有30％是由滾動軸承故障引起的,可以說滾動軸承的好壞直接影響到整個旋轉(zhuǎn)設(shè)備系統(tǒng)的性能。因此在故障早期能夠及時、有效地識別滾動軸承所處的故障狀態(tài),對預(yù)防軸承進一步退化和減少或杜絕重大事故的發(fā)生具有重要意義。
　　本文針對滾動軸承的故障狀態(tài)識別問題,在對其故障機理和演化規(guī)律分析的

2、基礎(chǔ)上,開展了基于本征模態(tài)能量矩和隱半馬爾科夫模型(HSMM)的滾動軸承故障診斷的研究,主要研究內(nèi)容如下:
　　(1)基于本征模態(tài)能量矩的滾動軸承振動信號特征提取方法
　　把具有自適應(yīng)性的經(jīng)驗?zāi)B(tài)分解方法應(yīng)用在軸承的故障特征提取中,運用更能凸顯出非平穩(wěn)振動信號差異的本征模態(tài)能量矩作為故障信號的特征向量,并考慮到工程實際中背景噪聲的影響,提前對振動信號進行了小波閾值去噪預(yù)處理,最大限度地降低了噪聲對滾動軸承特征提取結(jié)果的影響。

3、
　　(2)基于隱半馬爾科夫模型的滾動軸承故障狀態(tài)識別方法
　　通常情況下隱半馬爾科夫模型參數(shù)的初始化是由K均值(K-means)聚類方法完成的。由于傳統(tǒng)K-means聚類方法初始聚類中心是隨機選取的,選取不同的初始中心就會得到不同的初始均值和方差。為了解決HSMM算法存在的初始化參數(shù)設(shè)置問題,將語音識別中的初始化方法運用到故障診斷中,提出了基于改進K-means算法模型初始化方法。在此基礎(chǔ)上,提出了基于本征模態(tài)能量矩和改進

4、隱半馬爾科夫模型的滾動軸承故障狀態(tài)識別方法。
　　(3)實驗方案和實驗驗證
　　以機械故障模擬機為研究對象,設(shè)計了滾動軸承故障狀態(tài)識別的實驗方案,通過實驗驗證了本文提出的基于本征模態(tài)能量矩和改進隱半馬爾科夫模型的滾動軸承故障診斷方法;通過與傳統(tǒng)的隱半馬爾科夫模型識別結(jié)果相比較,證明了運用改進初始化方法的隱半馬爾科夫模型能夠在滾動軸承的故障診斷中顯著地提高了故障狀態(tài)識別的速度和準確性。
　　文章最后對工作進行了總結(jié),并對