专题四 句子衔接、排序与仿写.ppt

基于部分集成局部特征尺度分解与拉普拉斯分值的滚动轴承故障诊断模型国家自然科学基金(51175158, 51075131)、湖南省自然科学基金(11JJ2026)、湖南省研究生科研创新项目资助(CX2013B144)、湖南省机械设备健康维护重点实验室开放基金资助项目(201202)
程军圣,郑近德,杨宇,罗颂荣
(湖南大学汽车车身先进设计制造国家重点实验室,长沙,410082)
摘要:提出了一种基于部分集成局部特征尺度分解(Partly ensemble local characteristic-scale position, PELCD),拉普拉斯分值(Laplacian score, LS)特征选择和基于变量预测模型模式分类(Variable predictive model based class discrimination,VPMCD)的滚动轴承故障诊断模型. PELCD是新提出的一种基于噪声辅助数据分析方法,克服了局部特征尺度分解的模态混淆问题,与传统的基于噪声辅助数据分析方法相比有一定的优越性,论文将其应用于滚动轴承振动信号的预处理. 之后提取振动信号PELCD分量的时域和频域统计特征及振动信号的时频联合域特征;同时为了降低特征向量维数,提高诊断效率,采用LS优化特征向量. 再将优化的特征向量输入到VPMCD分类器进行训练和测试. 滚动轴承实验数据分析结果表明该模型能够有效地诊断故障程度和故障类型.
关键词:部分集成局部特征尺度分解;变量预测模型;拉普拉斯分值;滚动轴承;故障诊断
中图分类号:TH165+.3 文献标识码:A
引言
滚动轴承的故障诊断过程可分为三个步骤:信号采集、特征提取和状态识别[1]. 由于滚动轴承振动信号大部分是非线性、非平稳信号,因此其故障诊断的关键是如何从非线性、非平稳信号中提取故障特征信息[2]. 由HUANG等提出的经验模态分解(Empirical mode position,EMD)[3-4]自适应地将一个非平稳信号分解为若干个瞬时频率具有物理意义的内禀模态函数(Intrinsic mode function,简称IMF)之和,能有效地提取信号的本质特征,在机械故障诊断领域得到了广泛的应用. 如,程军圣等提出了一种基于EMD的能量算子解调方法,并将其应用于滚动轴承故障诊断[5];雷亚国等提出了一种基于EMD的滚动轴承混合智能故障诊断模型[6]等;由于EMD存在模态混淆问题,HUANG等提出了一种基于噪声辅助分析的总体平均EMD方法(Ensemble EMD,EEMD),基于此,周智等提出了一种基于EEMD和共振解调的滚动轴承自适应故障诊断方法[7];雷亚国等在文献[8]中综述了近年来EMD和EEMD在机械故障诊断中的应用.
作为对EMD方法的改进,文献[9]提出了另一种自适应信号分解方法—局部特征尺度分解(Local characteristic-scale position,LCD),LCD采用新的方法定义均值曲线,自适应地将一个非平稳信号分解为若干个内禀尺度分量(Intrinsic ponent,ISC)和一个趋势项之和,与EMD相比,LCD减小了拟合误差,提高了计算速度,且对模式混淆也有一定的抑制,LCD已经被应用于机械设备故障诊断[10]. 然而与EMD方法类似,LCD也存在模态混