位置优化Fisher测度在轴承故障特征选择中的应用

为了提高滚动轴承故障诊断率,充分利用时域、频域及时频域特征对轴承运行状态的识别能力的差异性,并考虑到特征之间易出现不相关、冗余干扰等问题以及实际工程对简单、快速、有效的特征评估方法的需求,在构建轴承混合域特征集的基础上,提出了一种位置优化Fisher测度(POFM)方法并将其应用于轴承故障特征选择。该方法基于Fisher准则,引入中值法通过多类样本的位置关系修正特征对状态分离聚合敏感程度的评估系数,从而筛选出能抑制状态间重合度的特征。此外,针对智能诊断模型确定最优特征集效率低的问题,提出了多维空间测度-Fisher的特征集评估方法,通过计算不同维数候选特征集在多维空间中的距离测度指标,基于极大值原则筛选出最优特征集。最后,通过轴承故障实验对所提算法进行验证,实验结果表明,提出方法得到的最优低维特征集可以有效诊断轴承故障,在特征组合数为3时支持向量机分类器诊断正确率达到了99.17%。

BP与AR模型在轴承性能退化评估和预测中的应用

为解决滚动轴承性能难以评估与预测的问题,提出BP神经网络与AR模型相结合的方法,以评估滚动轴承失效退化程度,并预测从正常运行到最终失效的性能退化趋势。基于正常运行到最终失效的全寿命数据,利用BP评估模型估计轴承的失效退化程度,网络输出的评估结果为隶属于正常概率的目标向量。分别选择BP预测模型与AR模型作为预测系统,利用得到的评估结果进行训练,训练结束后,采用BP预测模型与AR模型分别对滚动轴承进行性能退化的单步和多步预测。基于两组全寿命数据的对比分析,验证了该方法的有效性。结果表明,使用BP神经网络可实现对轴承性能退化程度的良好评估,相比BP自身预测模型,AR模型在性能预测上能得到更优的结果。