AR模型和SVM在机床滚动轴承故障诊断中的应用_孙学斌.pdfVIP

第2 期 (总第 159 期) 机 械 工 程 与 自 动 化 N o 2 20 10 年4 月 M ECHAN ICAL 　EN G IN EER IN G　　AU TOM A T ION A p r 文章编号: 167264 13 (20 10) 020 13203 A R 模型和SVM 在机床滚动轴承故障诊断中的应用 孙学斌 (济南四机数控机床有限公司, 山东　济南　250 10 1) 摘要: 将 自回归模型( ) 和支持向量机( ) 应用到机床滚动轴承的故障诊断中, 根据滚动轴承的振动信号 A R SVM 建立自回归模型, 以自回归参数和残差的方差作为特征向量, 然后建立基于支持向量机的多故障分类器, 进而 判断滚动轴承的故障类型。通过实例分析和与神经网络方法对比, 表明该方法能有效地判别机床滚动轴承的故 障类型。 关键词: 自回归模型; 支持向量机; 滚动轴承; 故障诊断 中图分类号: 13336 ∶ 165+ 3　　　文献标识码: TH TH A [2 ] 0　引言 件故障诊断中取得了良好的应用效果 。 由滚动轴承故障引起的机床设备故障占机床故障 本文提出了基于A R 模型和支持向量机的滚动轴 的很大比例, 而轴承故障中90% 与轴承内圈或外圈缺 承故障诊断方法。该方法首先利用A R 模型对振动信 陷有关。分析滚动轴承的振动信号以监测和诊断其工 号进行建模, 然后用A R 模型的自回归参数和残差方 [ 1 ] 作状况是一种通用的机械故障模式识别方法 。 差作为特征向量, 输入支持向量机中建立故障分类器, 滚动轴承故障诊断过程基本上可 以分为 3 个步 进一步判断转子系统的工作状态和故障类型。通过对 骤: ①故障信号采集; ②故障特征提取; ③故障模式 试验信号的分析, 验证了将A R 模型和支持向量机相 识别。在故障特征提取中, 传统的方法大都基于时域 结合能有效地应用于滚动轴承的故障诊断。 特征提取和F F T 变换, 通过提取振动信号时域或频域 1　SVM 基本原理与多故障分类器 波形的特征量, 建立判别函数来识别轴承的工作状态。 11　SVM 基本原理[3 ] 但是, 由于滚动轴承工作状态的复杂性, 有时很难仅 SVM 是基于结构风险最小化学习原则实现的, 因 通过时域或频谱分析来对轴承的工作状态做出较为准 此能提供很好的泛化性能, 其主要思想是建立一个超 确的评价。 平面作为决策曲面, 使得各类别之间的分离边缘被最 ( ) 自回归模型 简称A R 模型 是一种时间序列分析