基于高斯混合隱馬爾科夫模型的滾動(dòng)軸承故障診斷方法研究.pdf

1、隨著現(xiàn)代高新技術(shù)的飛速發(fā)展，現(xiàn)代化工業(yè)進(jìn)程也日趨完善，在現(xiàn)代化工廠中對(duì)機(jī)械設(shè)備的要求也越來越高。但是隨著機(jī)械設(shè)備的運(yùn)轉(zhuǎn)、磨損，機(jī)械設(shè)備故障的出現(xiàn)也就在所難免了，而滾動(dòng)軸承又是機(jī)械設(shè)備中應(yīng)用最廣泛的零部件之一，所以滾動(dòng)軸承運(yùn)轉(zhuǎn)狀態(tài)優(yōu)劣如何直接影響到整個(gè)機(jī)械設(shè)備的性能。針對(duì)傳統(tǒng)的模式識(shí)別方法(如神經(jīng)網(wǎng)絡(luò)識(shí)別法)一直停留在靜態(tài)模式識(shí)別上的不足，本文提出釆用一種具有統(tǒng)計(jì)規(guī)律的動(dòng)態(tài)模式識(shí)別技術(shù)-隱馬爾科夫模型來對(duì)滾動(dòng)軸承進(jìn)行故障診斷。本文以Rex

2、nord ER10k型號(hào)滾動(dòng)軸承作為研究對(duì)象，把滾動(dòng)軸承模式識(shí)別作為研究目的,提出了基于高斯混合隱馬爾科夫模型的滾動(dòng)軸承故障診斷的方法研究，對(duì)滾動(dòng)軸承各故障模式不同尺寸分別做了故障仿真研究和實(shí)驗(yàn)研究。其主要內(nèi)容如下：
　　基于小波包分解與重構(gòu)的信號(hào)特征提取研究。通過實(shí)驗(yàn)采集的數(shù)據(jù)，由于機(jī)械運(yùn)轉(zhuǎn)或者外界環(huán)境的因素，無可避免的給實(shí)驗(yàn)數(shù)據(jù)帶來一些噪聲信號(hào)。然而滾動(dòng)軸承相關(guān)零部件振動(dòng)信號(hào)有著不同的頻域能量，所以將滾動(dòng)軸承故障信號(hào)經(jīng)過小波包

3、分解與重構(gòu)后，得到全部的小波包分解系數(shù)。然后分別重構(gòu)各分解后的小波包系數(shù)，再根據(jù)不同故障模式的滾動(dòng)軸承振動(dòng)信號(hào)在頻域能量分布中的差異性,對(duì)重構(gòu)后的小波系數(shù)提取特征向量。最后把經(jīng)過小波包分解與重構(gòu)后故障信號(hào)的特征向量進(jìn)行歸一化處理，采用這種方法既提高了信號(hào)的分辨率，也起到了很好的消噪作用。
　　基于ADAMS滾動(dòng)軸承單體故障建模與仿真研究。在Solidworks軟件中建立以Rexnord ER10為對(duì)象的滾動(dòng)軸承模型，通過模擬仿真，

4、設(shè)定與實(shí)驗(yàn)相關(guān)參數(shù)，獲得理想狀態(tài)下的滾動(dòng)軸承單體故障信號(hào)。將仿真獲得的滾動(dòng)軸承單體故障信號(hào)和實(shí)驗(yàn)數(shù)據(jù)作為輸入樣本建立各故障模式的高斯混合隱馬爾科夫模型（GMM-HMM），采用實(shí)驗(yàn)數(shù)據(jù)與仿真數(shù)據(jù)作為高斯混合隱馬爾科夫模型的輸入樣本還能很好的適應(yīng)于后階段對(duì)滾動(dòng)軸承各故障模式不同損傷程度的判別提供很好的依據(jù)。
　　高斯混合隱馬爾科夫模型在故障診斷中的應(yīng)用。由于隱馬爾科夫模型最先應(yīng)用于語音識(shí)別領(lǐng)域，在滾動(dòng)軸承故障診斷中鮮有考慮，本文針對(duì)滾

5、動(dòng)軸承故障診斷特性分析，討論了隱馬爾科夫模型在滾動(dòng)軸承故障診斷應(yīng)用中的可行性，并且對(duì)隱馬爾科夫模型幾種不同類型應(yīng)用方法進(jìn)行了探討，其探討結(jié)果認(rèn)為高斯混合
　　隱馬爾科夫模型對(duì)滾動(dòng)軸承故障診斷的應(yīng)用比其他幾種類型的方法更有優(yōu)勢(shì)。
　　基于高斯混合隱馬爾科夫模型的滾動(dòng)軸承故障診斷建模與實(shí)驗(yàn)驗(yàn)證。滾動(dòng)軸承故障信號(hào)通過小波包分解與重構(gòu)后獲得能量特征信號(hào)利用信號(hào)各頻段的能量組成的特征矢量作為 GMM-HMM模型樣本輸入,對(duì) GMM-H

6、MM模型進(jìn)行訓(xùn)練,獲得滾動(dòng)軸承各故障模式不同故障尺寸的高斯混合隱馬爾科夫模型。最后利用實(shí)驗(yàn)數(shù)據(jù)和仿真數(shù)據(jù)對(duì)已經(jīng)建立起來的GMM-HMM模型進(jìn)行測(cè)試,通過計(jì)算當(dāng)前的狀態(tài)監(jiān)測(cè)數(shù)據(jù)在 GMM-HMM模型庫(kù)出現(xiàn)的概率，并且根據(jù)出現(xiàn)的最大概率來評(píng)估其所處的故障模式。該研究發(fā)現(xiàn)經(jīng)過小波包分解與重構(gòu)后的滾動(dòng)軸承故障信號(hào)，能很好的應(yīng)用于隱馬爾科夫模型，獲得較高的識(shí)別率，并且建立隱馬爾科夫模型所需要的樣本數(shù)量少，計(jì)算并不復(fù)雜，所以基于小波包分解與重構(gòu)和隱