机械加工过程中轴承故障诊断方法研究

为了提高机械加工过程中滚动轴承故障诊断准确度,提出了基于新的解析能量算子的轴承故障诊断方法。在分析Teager能量算子缺陷基础上,提出了新的能量算子,命名为解析能量算子;解析能量算子无需满足Teager能量算子的使用条件,且能够更好地跟踪故障信号的冲击瞬态特征;使用EMD算法分解原始振动信号,给出了多指标融合的IMF分量筛选方法;对筛选出的IMF分量,计算其解析能量谱样本熵作为特征参数;在分析二叉树SVM缺点基础上,建立了投票法SVM多分类器;经试验验证,基于Teager能量谱样本熵的故障诊断准确率为78%,而基于解析能量谱样本熵的故障诊断准确率为100%,充分证明了解析能量算子在轴承故障诊断中的有效性。

轴承故障稀疏编码特征提取与多分类SVM识别

为了准确识别滚动轴承故障状态,提出了基于稀疏编码器的自动特征提取方法和基于投票法多分类孪生支持向量机的故障类型识别方法。稀疏自动编码器通过对输入信号编码过程,自动学习隐藏在输入信号中的特征量,无需任何先验知识和专家经验。将投票法与孪生支持向量机相结合,提出了投票法多分类孪生支持向量机的故障模式识别方法,既发挥了投票法"民主决策精度高"的优势,同时具有孪生支持向量机训练速度快的优点。挑选了凯斯西储大学在10类故障状态下的实验数据进行验证,投票法多分类孪生支持向量机故障识别精度为99.40%,而使用神经网络故障识别精度为95.61%,比多分类孪生支持向量机降低了3.96%;投票法多分类孪生支持向量机训练时间为34.79s,而神经网络训练时间为89.76s,是多分类支持向量机的2倍以上。实验证明了投票法多分类支持向量机具有极高的故障识别精度和较少的训练时间。