LMD能量矩和变量预测模型模式识别在轴承故障智能诊断中的应用.pdfVIP

第26卷第5期 振 动 工 程 学 报 V01．26No．5 2013年10月 JournalofVibration 0ct．2013 Engineering LMD能量矩和变量预测模型模式识别 在轴承故障智能诊断中的应用 程军圣，罗颂荣，杨 斌，杨 宇 (湖南大学机械与运载工程学院，湖南长沙410082) modelbasedclass 摘要：变量预测模型的模式识别方法(Variablepredictive mean 值相互内在关系进行模式识别的新方法。论文提出了基于局部均值分解LMD(Local decomposition，LMD) 能量矩概念，并针对轴承故障振动信号特征值的相互内在联系，将LMD能量矩与变量预测模型模式识别相结合， 提出了一种轴承故障智能诊断新方法。首先利用LMD方法将复杂非平稳的原始信号分解为若干PF(Product 来有效地表达故障信息；最后采用VPMCD方法进行轴承故障诊断。通过仿真信号验证了PF能量矩比PF能量 更能反映非平稳信号本质特征。轴承故障诊断实验结果表明，论文提出的方法能有效地应用于小样本多分类轴承 故障智能诊断。 关键词：故障诊断；局部均值分解；变量预测模型模式识别；能量矩；机器学习 中图分类号：THl65+．3；TN911．7文献标识码：A 文章编号：1004—4523(2013)05—0751—07 向量机本质是二进制分类器，对于多分类问题分类 引 言 器设计复杂，分类性能受到核函数及其参数的影响 较大[9]。粗糙集理论决策规则不稳定，其鲁棒性差， 轴承的故障诊断过程中有两个关键问题：一是 精确性不高[1 0|。这些模式识别方法都忽略了从原 特征提取，二是模式识别。当轴承存在局部故障时， 始数据中所提取的特征值之间的相互内在关系。实 轴承故障信号表现出复杂调幅一调频特性[1]。对于 际上，在机械故障诊断中，采用各种信号分析方法从 此类信号，常用的时频分析方法有小波变换、EMD 原始信号提取的所有或部分特征值之间均具有一定 mode (Empiricaldecomposition)方法等。但小波 的相互内在关系，且这种相互内在关系在不同的系 变换和EMD方法都有一定的不足口]。局部均值分统或不同工作状态下具有明显的区别。因此，可以 解(LMD)是一种新的自适应时频分析方法，具有迭利用各个特征值之间的相互内在关系来实现分类识 代次数少、端点效应不明显、得到的虚假分量少等优 别。为充分利用特征值之间的相互内在关系，Ra— 点[3’4]。信号的能量矩是能量在时间轴上的积分， 能同时刻画信号的能量在频率轴和时间轴上分 识别方法——基于变量预测模型的模式识别，并应 布[5]。相比能量，更能有效地反映故障振动信号的 用于生物模式识别，取得了良好的效果[11~13]。 本质特征。因此本文首先采用LMD方法将信号分 本文在详细研究VPMCD的理论和应用的基 解为不同频带的PF分量，然后提取PF能量矩组成础上，针对轴承故障振动信号能量矩特征值的相互 特征向量，有利于提高故障分类效率和准确度。 内在关系，将VPMCD引入轴承故障诊断，提出了 目前应用比较广泛的模式识别方法有基于