基于四分位偏差分形维与高斯混合模型的故障识别算法研究.pdf

第21卷第1期 振 动 工 程 学 报 V01．21No．1 ofVibration Feb．2008 2008年2月 Journal Engineering 基于四分位偏差分形维 与高斯混合模型的故障识别算法研究 肖 涵，李友荣，吕 勇 (武汉科技大学机械自动化学院，湖北武汉430081) 摘要：针对四分位偏差分形维对信号幅值大小和分布敏感的缺点，提出了适用于故障识别的四分位偏差分形维改 进算法．将四分位偏差分形维及其截距组成特征向量，应用高斯混合模型进行故障模式描述(QDFD—GMM)，并采 一组故障齿轮振动信号进行分类，结果表明：QDFD—GMM具有更高的识别率和运算速度，具有更强的鲁棒性。 关键词：故障诊断；四分位偏差分形维；高斯混合模型 文献标识码：A 文章编号：1004—4523(2008)01—0079—05 中图分类号；THll3．1，TP391．4 量，并建立其高斯混合模型用于故障模式描述 引 言 (QDFD—GMM算法)。对同一组故障齿轮的振动信 故障识别问题一直是故障诊断领域研究的热点 对比。 之一。通常采用的统计特征量仅能进行粗略判断，且 无法准确识别故障类型。频谱分析法虽然可以进行 1 QDFD改进算法 精确的故障诊断，但容易受到噪音干扰。当设备处于 故障状态时其振动信号往往具有非线性，非平稳特 1．1 QDFD算法 征[1]，频谱分析法基于线性系统，诊断也容易出现误 QDFD由HideakiShono等人提出，其中借鉴了 差。因此，近年来有学者将非线性特征量用于故障识 R／S分析和非趋势波动分析(DFA)中的部分思想， 别，如分形维、熵和李亚普诺夫指数等[2]。但这些参 比传统的功率谱分析法具有更好的鲁棒性。其主要 数也对噪音敏感，一旦振动信号信噪比较低，就容易 计算步骤如下[‘]： 造成误判。Povinelli等人将重构相空间与高斯混合 (1)设采集到的时间序列为 Mixture 模型(GaussianModel，简称GMM)相结合 z(f)，(￡=1，2，3，…，Ⅳ)， (RPS—GMM算法)，用于信号的分类，取得很好的 Ⅳ为时序总采样点数。将z(f)(t1，2，3，…， 效果口]。由于重构的相空间与原动力学系统微分同 Ⅳ)等分成M个不重叠的窗口，每个窗口含5个采样 胚，因此重构相空间的每个点都可以看成是用于描 点，则Ⅳ，=[Ⅳ厶](即取整数)。第k个窗口的第J个 述原动力学系统的特征向量，高斯混合模型则可以 数据为 描述这些特征向量的分布规律。但这种方法识别精 D。(歹)=x[s(k一1)+力 度与训练数据量和混合模型数等参数有关，计算效 (歹=1，2，3，…，5；足=1，23．，…，Ⅳ，) 率低。针对以