基于GARCH模型MSVM的轴承故障诊断方法 Bearing fault diagnosis with a MSVM based on a garch model.pdfVIP

振动与冲击 第29卷第5期 JOURNALOFVIBR^TIONANDSHOCK 基于GARCH模型MSVM的轴承故障诊断方法 陶新民1，徐晶2，杨立标1，刘玉1 (1．哈尔滨工程大学信息与通信工程学院、哈尔滨150001； 2．黑龙江科技学院数力系，哈尔滨150027) 摘 要：针对振动信号因非平稳性导致自回归(AR)模型无法有效描述信号特征的不足，提出一种基于广义自回 号，将所得模型参数作为故障诊断特征，以MSVM作为故障诊断方法。试验结果验证了GARCH模型方法的可行性和有 效性，同时将该方法同基于AR模型的方法及其改进方法进行比较，结果表明该方法在诊断率及诊断时间上都有明显 提高。 关键词：故障诊断GARCH模型；多类支持向量机 中图分类号：THl7；TP306文献标识码：A 在机器故障诊断技术中，利用振动信号对故障进 GARCH模型分析振动信号，并以模型参数作为诊断特 行诊断是设备故障诊断方法中最有效、最常用的方法。 征，以多类支持向量机¨刮作为故障诊断方法，采用受试 机械设备故障诊断最初主要是从振动信号的时域提取 者操作特性曲线(ROC)作为分类器性能评测的方法， 一些特征参数，如信号的均值、均方值、峰值、峭度和歪 以适应故障诊断领域出现的数据不均衡情况。试验部 度…等。之后，又发展到利用频域方法对信号特征参 分同基于AR模型的方法及文献[9]的方法比较，结果 数的分析，其中最主要的方法就是能量谱包络分析 验证了本文方法的有效性，试验还进一步分析了不同 法【2J。近年来，又发展到时频分析技术，如小波分 窗口大小对诊断性能的影响。 析【3。4。和高阶谱特征1等。 1时间序列的建模 AR模型作为一种时间序列分析方法在很多领域 都得到了广泛应用∞棚J。其中在故障诊断领域的应用 1．1 自回归移动平均模型(ARMA) 可分为两种情况，一种是以AR模型实现信号现代谱分 平稳的时间序列，模型包括自回归项及滑动窗口项，如 析的方法∞J，如Burg算法和Marple算法。这种方法的 缺点是计算功率谱所需要的样本较多(即使比传统 式(1)所示： F盯方法少)，计算量大且无法有效作为特征进行智能 ．三 三 Y。=c+艺妒f，，‘一i+艺晚占。一f+占。(1) 诊断。另一种方法是以AR模型的参数和误差为特征， 式中：C为常数；9i和0i分别为待估的自回归参数和 利用模式识别的方法进行故障诊断。9J。这种方法因 信号非平稳性导致AR模型的阶次增大，参数估计的计 移动平均参数；P，q分别为自回归和移动平均的阶数； 占。为时刻t的残差。当移动平均的阶数q为零时，该模 算复杂度高且参数估计精度易受采样样本大小的影 型就变成了自回归模型(AR)。 响。虽然文献[9]提出利用EMD和AR相结合的方法 ARMA模型的前提假设是模型残差的均值为零， 解决了原始信号非平稳性问题，但该方法对于波动特 方差为常数，并且残差彼此不相关。该假设在实际运 别大的时间序列，尤其是对于方差随时间变化的时间 用时不容易满足，故该模型的适用范围较窄。对于不 序列的拟合并不理想。