變量預(yù)測(cè)模型模式識(shí)別方法及其在滾動(dòng)軸承故障診斷中的應(yīng)用.pdf

1、滾動(dòng)軸承是旋轉(zhuǎn)機(jī)械中常用的零部件之一，但由于現(xiàn)場(chǎng)條件惡劣等因素，滾動(dòng)軸承也是容易損壞的部件之一，旋轉(zhuǎn)機(jī)械的很多故障都與滾動(dòng)軸承有關(guān)，并導(dǎo)致旋轉(zhuǎn)機(jī)械難以正常運(yùn)行。滾動(dòng)軸承的故障可能會(huì)引起整個(gè)生產(chǎn)線的隱患，造成經(jīng)濟(jì)損失甚至是人員傷亡，因此，對(duì)滾動(dòng)軸承的運(yùn)行狀態(tài)進(jìn)行必要的監(jiān)測(cè)和診斷具有非常重要的意義。
　　在本質(zhì)上，滾動(dòng)軸承故障診斷其實(shí)是一個(gè)模式識(shí)別的過(guò)程。Raghuraj與Lakshminarayanan提出一種新的模式識(shí)別方法——變

2、量預(yù)測(cè)模型模式識(shí)別方法（Variable predictive model based class discriminate，簡(jiǎn)稱VPMCD），該方法通過(guò)利用樣本特征參數(shù)間存在的內(nèi)在相互關(guān)系建立起變量預(yù)測(cè)模型，然后通過(guò)得到的預(yù)測(cè)模型進(jìn)行待測(cè)樣本的模式識(shí)別及分類。對(duì)滾動(dòng)軸承故障診斷而言，特征提取得到的特征值間一般存在一定的變量關(guān)系，并且，在不同的類別或系統(tǒng)之間這種內(nèi)在關(guān)系也具有不同特點(diǎn)。因此，可以將VPMCD方法應(yīng)用于滾動(dòng)軸承故障之中。<

3、br>　　基于此，論文引入變量預(yù)測(cè)模型模式識(shí)別方法，對(duì)其理論進(jìn)行研究改進(jìn)，并結(jié)合時(shí)頻分析方法提出了基于變量預(yù)測(cè)模型模式識(shí)別的滾動(dòng)軸承故障診斷方法。論文的主要研究?jī)?nèi)容如下：
　　1、探討了滾動(dòng)軸承故障機(jī)理及其常見故障振動(dòng)特征，并且從信號(hào)處理和模式識(shí)別兩個(gè)方面簡(jiǎn)要闡述了滾動(dòng)軸承故障診斷方法。
　　2、對(duì)VPMCD方法的基本理論進(jìn)行了詳盡闡述。通過(guò) UCI標(biāo)準(zhǔn)數(shù)據(jù)及試驗(yàn)數(shù)據(jù)對(duì)VPMCD方法、神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)等模式識(shí)別方法進(jìn)行對(duì)

4、比分析，結(jié)果證明VPMCD方法可以有效用于模式識(shí)別。
　　3、VPMCD分類方法是建立在回歸模型為同方差性基礎(chǔ)上的，當(dāng)模型存在異方差性時(shí)，會(huì)導(dǎo)致預(yù)測(cè)精度降低。針對(duì)這一缺陷，用加權(quán)最小二乘（WLS）代替原方法中的最小二乘法（OLS）進(jìn)行參數(shù)估計(jì)，可以獲得更加準(zhǔn)確的模型特征參數(shù)，提高預(yù)測(cè)的精度。將局部特征尺度分解（Local characteristic-scale decomposition，簡(jiǎn)稱LCD）方法應(yīng)用于特征提取，并對(duì)基于

5、LCD的混合故障盲源分離方法進(jìn)行研究。對(duì)不同運(yùn)行狀態(tài)下滾動(dòng)軸承振動(dòng)信號(hào)分析結(jié)果表明了基于WVPMCD和LCD的滾動(dòng)軸承故障診斷方法的有效性。
　　4、針對(duì)預(yù)測(cè)變量存在多重相關(guān)性時(shí)，最小二乘估計(jì)會(huì)破壞模型穩(wěn)健性這一缺陷，提出基于偏最小二乘（PLS）的VPMCD方法，來(lái)消除多重相關(guān)性的影響，提高模型穩(wěn)定性。最適應(yīng)最稀疏時(shí)頻分析（Adaptive and sparest time-frequency analysis，簡(jiǎn)稱ASTFA）是

6、一種將信號(hào)分解轉(zhuǎn)化為優(yōu)化問題的新的自適應(yīng)信號(hào)處理方法，非常適合處理滾動(dòng)軸承故障振動(dòng)信號(hào)。論文將二者應(yīng)用于滾動(dòng)軸承故障診斷，分析結(jié)果表明了該方法的有效性。
　　5、針對(duì)VPMCD在處理高維故障數(shù)據(jù)時(shí)產(chǎn)生的“維數(shù)災(zāi)難”現(xiàn)象，將線性判別分析（Linear discrimination analysis，簡(jiǎn)稱LDA）應(yīng)用于VPMCD進(jìn)行滾動(dòng)軸承劣化狀態(tài)的辨識(shí)，并與主成分分析（Principle components analysis，簡(jiǎn)稱