不同负载下滚动轴承的PSO-SSTCA算法研究

针对不同负载下滚动轴承故障诊断准确率不高和样本稀缺的问题,本文提出了一种基于粒子群优化的半监督迁移学习(PSO-SSTCA)算法。在迁移学习算法的基础上,引入希尔伯特-施密特独立性系数(HSIC)增强迁移学习过程中不同数据标签的依赖性,加入粒子群优化算法自适应寻找多核函数的最优系数,缩小数据集的类内间距,并利用K-近邻算法进行不同负载间滚动轴承的故障诊断。对4种不同负载工况下的滚动轴承振动信号进行分析,结果表明:在单-单、多-单负载工况下,PSO-SSTCA算法的平均准确率分别为85.92%与88%,与重构信号相比分别提高了10.75%与19.42%。该方法有效地为机械设备的状态监测与故障诊断提供了技术支撑。

强噪声下工程装备轴承信号的稀疏重构研究

工程装备轴承故障工况特征常被外在信息淹没,为了对故障数据有效提取,提出了粒子群寻优与稀疏重构相结合的降噪滤波方法,选取Laplace小波基进行参数寻优与字典预构,进而对轴承的振动信号进行稀疏重构。通过对实验数据施加2 dB的高斯白噪声模拟工程环境下的轴承信号,将优化的稀疏重构算法与巴特沃斯滤波器、小波阈值去噪算法进行对比。结果显示:在峰值信噪比与波形相似性等参数上,所提方法的效果更优,所得的重构信号内外圈故障特征频率与理论特征频率相接近,在充分过滤噪声后,可保留原始特征信息,为后期的故障诊断提供良好的数据基础。