基于KJADE的軸承故障識(shí)別與性能退化評(píng)估方法研究.pdf

1、滾動(dòng)軸承作為旋轉(zhuǎn)機(jī)械中重要的部件，其運(yùn)行狀態(tài)的健康與否直接關(guān)系到機(jī)械設(shè)備的穩(wěn)定安全，因此對(duì)軸承進(jìn)行故障診斷和性能退化評(píng)估意義重大。本文以滾動(dòng)軸承為研究對(duì)象，提出核函數(shù)特征矩陣聯(lián)合近似對(duì)角化(Kernel JointApproximate Diagonalization of Eigen-matrices，KJADE)特征融合方法，并結(jié)合其它信號(hào)處理方法和機(jī)器學(xué)習(xí)方法，分別對(duì)滾動(dòng)軸承的特征提取、故障識(shí)別、性能退化評(píng)估等問題進(jìn)行了研究。

2、r>　　本文首先對(duì)KJADE特征融合算法的理論進(jìn)行研究，其以一維或多維信號(hào)作為處理對(duì)象，從不同域提取信號(hào)的原始特征集，并經(jīng)過(guò)非線性函數(shù)將其映射到高維特征空間，從而使得低維空間中存在的線性不可分問題轉(zhuǎn)變成高維空間中的線性可分問題。然后引入核函數(shù)的思想代替高維特征空間中復(fù)雜的內(nèi)積計(jì)算并得到核矩陣，計(jì)算其四階累積量矩陣并進(jìn)行特征分解，從而得到非線性低維敏感特征。該特征分布消除了原始特征間的相關(guān)性和冗余性，較于傳統(tǒng)的線性JADE方法，該算法對(duì)非

3、線性信號(hào)擁有更好的適用性。
　　在軸承的故障識(shí)別中，首先從時(shí)域、頻域和時(shí)頻域?qū)φ駝?dòng)信號(hào)的特征參數(shù)進(jìn)行計(jì)算并組成原始多域特征集，然后使用KJADE算法提取更為穩(wěn)健有效的低維特征。主要研究了基于KJADE的低維非線性特征融合技術(shù)，通過(guò)對(duì)多類軸承故障振動(dòng)信號(hào)進(jìn)行特征提取，以及與其他典型降維方法的比較結(jié)果，得出本文所提取的低維特征在特征空間內(nèi)具有非常好的聚類效果。并研究KJADE特征子空間的構(gòu)建，并作為支持向量機(jī)(Support Vect

4、or Machine，SVM)的學(xué)習(xí)樣本，實(shí)現(xiàn)對(duì)軸承的故障識(shí)別。
　　基于兩類模型可以有效評(píng)估故障樣本與健康樣本之間的差異性，對(duì)軸承的性能退化評(píng)估進(jìn)行了研究。利用KJADE對(duì)滾動(dòng)軸承的全壽命振動(dòng)信號(hào)進(jìn)行低維特征指標(biāo)的提取，獲得能夠反映軸承性能退的敏感屬性。主要研究了基于KJADE和兩類模型的性能退化指標(biāo)提取技術(shù)，并獲得了更為穩(wěn)健單調(diào)的評(píng)估指標(biāo)，其對(duì)于早期故障的發(fā)現(xiàn)也更為及時(shí)有效。在此基礎(chǔ)上研究了極限學(xué)習(xí)機(jī)(ExtremeLearn

5、ing Machine，ELM)在軸承性能退化趨勢(shì)預(yù)測(cè)上的應(yīng)用，通過(guò)對(duì)退化指標(biāo)的歷史數(shù)據(jù)進(jìn)行學(xué)習(xí)，能夠較好的實(shí)現(xiàn)對(duì)下一時(shí)刻軸承狀態(tài)的預(yù)測(cè)。
　　此外，上述研究和分析是建立在凱斯西儲(chǔ)大學(xué)軸承實(shí)驗(yàn)數(shù)據(jù)、Cincinnati大學(xué)智能維護(hù)中心的滾動(dòng)軸承全壽命振動(dòng)數(shù)據(jù)和本文作者所在實(shí)驗(yàn)室所采集到的軸承疲勞實(shí)驗(yàn)數(shù)據(jù)基礎(chǔ)之上。本文研究表明，KJADE特征融合方法能夠提取反映軸承運(yùn)行狀態(tài)的有效敏感特征，對(duì)軸承的故障識(shí)別和性能退化評(píng)估都具有非常重要