基于符號化時間序列分析的軸承故障診斷方法研究.pdf

1、軸承是旋轉(zhuǎn)機(jī)械設(shè)備的關(guān)鍵部件，其可靠性對設(shè)備的安全運行至關(guān)重要。隨著現(xiàn)代工業(yè)技術(shù)的發(fā)展，機(jī)械設(shè)備中軸承的工作條件越來越苛刻，發(fā)生故障的概率越來越大。從歷史統(tǒng)計數(shù)據(jù)來看，軸承是旋轉(zhuǎn)機(jī)械發(fā)生故障概率最大的部件之一，因此對軸承的故障診斷方法研究具有十分重要的意義。符號化時間序列分析是由符號動力學(xué)理論、混沌時間序列分析和信息理論發(fā)展起來的一種新的信號分析方法，經(jīng)過近十幾年的迅速發(fā)展已經(jīng)逐漸成熟。將符號化時間序列分析引入到軸承的故障診斷當(dāng)中，可以

2、為軸承故障診斷提供一種新的解決思路。本文著重研究基于符號概率有限狀態(tài)機(jī)特征提取的軸承智能診斷算法，主要工作和研究成果歸納如下:
　　(1)介紹了符號化時間序列分析的基本理論，在對之前符號化方法總結(jié)分析的基礎(chǔ)上，提出了一種高效實用的符號化方法:基于概率密度相空間劃分的符號化方法。在該方法中，首先對時間序列進(jìn)行概率密度統(tǒng)計分析，進(jìn)而確定若干個概率相等的區(qū)間，然后對屬于特定區(qū)間的值賦予一個特定的符號，這樣就把原始時間序列轉(zhuǎn)化成了符號時間

3、序列。為了檢驗該方法的效果，將基于概率密度空間劃分的符號化時間序列分析方法用于軸承疲勞實驗的異常診斷當(dāng)中。通過對比實驗表明，概率密度符號化方法與傳統(tǒng)的空間劃分方法相比對異常更加敏感，能夠更早的診斷出軸承狀態(tài)的異常變化。
　　(2)將符號化概率有限狀態(tài)機(jī)擴(kuò)展到二維空間上，提出了一種基于短時傅里葉變換的二維符號概率有限狀態(tài)機(jī)特征提取方法。相比傳統(tǒng)的方法在兩個方面做了補(bǔ)充和改進(jìn):首先，使用短時傅里葉變換系數(shù)代替小波系數(shù)作為符號概率有限狀

4、態(tài)機(jī)的輸入。其次，對有限狀態(tài)機(jī)中的狀態(tài)矩陣確定方法進(jìn)行了改進(jìn)，提出了一種忽略矩形框中符號排列而只考慮符號分布的策略來對狀態(tài)進(jìn)行壓縮的方法，這一改進(jìn)提高了該特征提取方法的計算效率。
　　(3)傳統(tǒng)的K-最近鄰分類算法，隨著訓(xùn)練樣本數(shù)量增加所需的存儲空間與計算時間將大大增長。針對上述局限性提出了一種基于K-means聚類改進(jìn)的K-最近鄰分類算法。該改進(jìn)算法，首先使用K-means對訓(xùn)練集進(jìn)行聚類分析，使各類訓(xùn)練樣本數(shù)量得到壓縮，然后使

5、用K個最近壓縮樣本對未知類型樣本進(jìn)行分類。這一改進(jìn)提高了算法的計算效率、并避免了樣本數(shù)量分布不均衡對分類的影響。
　　(4)給出了基于符號化時間序列分析的軸承智能故障診斷方法，并對實際軸承故障信號進(jìn)行分類診斷。共進(jìn)行了軸承內(nèi)圈、球體、外圈三類故障損傷程度的檢測，三組實驗平均分類正確率為99.00％、92.33％、99.92％，均表現(xiàn)了較高的識別率。為了驗證對K-最近鄰算法改進(jìn)的有效性，同時進(jìn)行了傳統(tǒng)K-最近鄰算法的對比實驗，實驗表