经典彩色3D小人.ppt

分析小波变换数据描述应用_机械制造论文
机械制造论文

设备维修体制正在由传统的事后维修或定期维修向预知维修转变[1]。如何实现传统维修方法到预知维修的转变,关键是要能够对设备的运行状态做出正确的评价。设备性能退化评估是近几年提出的一种新思维,它淡化了对故障分类的概念,从评估的角度强调故障大小对设备性能和寿命的影响,指导现场的企业根据设备性能和寿命的情况,确定按需维修的方案[2]。滚动轴承是旋转机械中应用最广泛的机械零件,本文中介绍了一种对轴承的性能进行评估的方法正交小波变换-支持向量数据描述方法(T-SVDD),通过滚动轴承内圈不同点蚀下的试验数据验证T-SVDD评估方法的有效性。
1正交小波变换
多尺度分析在信号处理中的应用表示为j=1即得到的从V0到V-1各个尺度上f(t)的相应局部细节信息[3],上述分解过如图1。
2支持向量数据描述
支持向量数据描述(SVDD)[4],(statistiallearningthery,SLT)[5]。数据描述的基本思想是把要描述的对象作为一个整体,建立一个封闭而紧凑的区域Ω。假定有n个要描述的数据{xi},i=1,…,n,也就是构建单值分类器的学****样本。SVDD的目标是要寻找到一个最小体积的超球体,使所有的xi都包含在该球体内。超球半径R可由任一支持向量xk按下式求出对于一个新样本z,判断它是否属于目标样本,就是要看该样本到分类面超球体中心a的距离是否大于超球体半径R。即有如下的判别函数n若公式(4)成立,则判断样本z属于目标样本,即z和训练样本属同类别,否则判断其为非目标样本,即z和训练样本属非同类别。[5],可以用核函数K(xi,xj)来替代内积运算xi?xj,实现低维空间向高维空间的映射,从而使原空间的非线性分类问题转化为高维空间的线性分类问题。
3轴承寿命预测评估方法
应用正交小波变换支持向量数据描述对轴承寿命进行预测评估的步骤如图2所示。1)对正常状态下的样本利用正交小波变换分解,进行特征提取,提取前5层细节信号中每层的峰峰值组成特征向量,作为SVDD训练的输入向量,构造SVDD分类模型。2)对待测样本利用正交小波变换对其进行分解,提取前5层细节信号中每层的峰峰值,作为测试样本的输入向量,求出测试样本到SVDD分类模型中心的距离Rz,根据HI=R2z-R2计算其至超球面的距离,判断其是否属于正常状态。置HI=ε,ε越大,表明偏离正常状态越远,退化程度越严重。
4试验分析
试验在轴承实验台上进行。试验台由一台电机带动一台水泵组成。。诊断对象为电机两端安装的滚动轴承,试验所用的轴承分别用电腐蚀法在轴承内圈制作出不同程度的点蚀故障,,,,。试验时,采集这些不同故障程度的轴承振动信号作为诊断参数,采样频率12kHz。在上述4种故障程度情况下各采集50组,每组数据采集长度512点。首先,在没有进行特征提取的条件下,直接用原始的采样数据,建立支持向量数据描述模型,按照点蚀故障程度从小到大,对各种故障等级的轴承性能退化的进行评估。采集轴承正常情况下70组样本作为描述SVDD模型的训练样本,对采集到的4种不同情况下的故障样本进行测试,观察HI的变化如图3所示。观察图3结果,没有进行特征提取的SVDD设备状态评估方法,,,且HI变化幅度较小,。观察样本点数51~100,,,且HI变化仍然较大,出现震荡现象。观察样本点101~150,,,HI的值又处于稳定状态,变化不大。观察样本点151~200,,,且更加稳定。从HI这样的变化情况来看,看不出它与轴承点蚀故障程度变化之间的关系,也就是说,这样的情况下,HI的值并不能表征轴承性能的退化程度。下面我们再通过正交小波变换提取特征之后进行评估分析。同样的试验条件下,,,,,各采集50组,每组数据采集512个点。取正常情况下70组样本通过正交小波变换特征提取后的向量作为描述SVDD分类模型的训练样本对上述4种情况下的点蚀信号进行正交小波特征提取后样本进行测试,步骤如本文第3节所示。得出HI的变化如图4所示。图4中,,。第51~,HI幅度