基于 MF-DFA 与 PSO 优化 LSSVM的滚动轴承故障诊断方法.pdf

振　动　与　冲　击 第３４卷第１１ 期 ＪＯＵＲＮＡＬ ＯＦ ＶＩＢＲＡＴＩＯＮ ＡＮＤ ＳＨＯＣＫ Ｖｏｌ．３４ Ｎｏ．１１ ２０１５　  基于 ＭＦＤＦＡ与ＰＳＯ优化 ＬＳＳＶＭ的滚动轴承故障诊断方法 熊　庆，张卫华 （西南交通大学 牵引动力国家重点实验室，成都　６１００３１） 　　摘　要：针对滚动轴承故障损伤程度难以确定的问题，提出对滚动轴承不同故障位置、不同损伤程度的振动信号 进行故障特征提取及智能分类的故障诊断方法。先对各状态振动信号进行ＭＦＤＦＡ分析，选取敏感性及稳定性最好的二 种多重分形谱参数作为故障特征量，然后输入到经过ＰＳＯ参数优化的ＬＳＳＶＭ中进行故障诊断。通过仿真试验、应用实例 验证了该方法的有效性，并与ＬＳＳＶＭ、ＳＶＭ方法的诊断结果进行比较。结果表明：所提方法可实现滚动轴承故障位置及 损伤程度的智能诊断，比直接ＬＳＳＶＭ、ＳＶＭ方法具有更优的泛化性，适合解决实际工程问题。 关键词：滚动轴承；故障诊断；多重分形去趋势波动分析；粒子群优化算法；最小二乘支持向量机 中图分类号：ＴＮ９１１．７；ＴＨ１３３．３　　　文献标志码：Ａ ＤＯＩ：１０．１３４６５／ｊ．ｃｎｋｉ．ｊｖｓ．２０１５．１１．０３３ Ｒｏｌｌｉｎｇ ｂｅａｒｉｎｇ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｍｅｔｈｏｄ ｕｓｉｎｇ ＭＦＤＦＡ ａｎｄ ＬＳＳＶＭｂａｓｅｄ ｏｎ ＰＳＯ ＸＩＯＮＧＱｉｎｇ，ＺＨＡＮＧ Ｗｅｉｈｕａ （Ｓｔａｔｅ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆＴｒａｃｔｉｏｎ Ｐｏｗｅｒ，Ｓｏｕｔｈｗｅｓｔ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｃｈｅｎｇｄｕ６１００３１，Ｃｈｉｎａ） 　　Ａｂｓｔｒａｃｔ：　Ｗｈｅｎ ａ ｒｏｌｌｉｎｇ ｂｅａｒｉｎｇ ｆａｉｌｓ，ｉｔ ｉｓ ｕｓｕａｌｌｙ ｄｉｆｆｉｃｕｌｔ ｔｏ ｄｅｔｅｒｍｉｎｅ ｉｔｓ ｄａｍａｇｅ ｌｅｖｅｌ．Ａｉｍｉｎｇ ａｔ ｔｈｉｓ ｐｒｏｂｌｅｍ，ａ ｎｅｗｆａｕｌｔ ｄｉａｇｎｏｓｉｓｍｅｔｈｏｄｗａｓｐｒｅｓｅｎｔｅｄ ｔｏ ａｃｈｉｅｖｅ ｆｅａｔｕｒｅ ｅｘｔｒａｃｔｉｏｎ ａｎｄ ｉｎｔｅｌｌｉｇｅｎｔ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｏｆｄｉｆｆｅｒｅｎｔ ｆａｕｌｔ ｐｏｓｉｔｉｏｎｓ ａｎｄ ｄａｍａｇｅ ｌｅｖｅｌｓ ｆｏｒ ｒｏｌｌｉｎｇ ｂｅａｒｉｎｇ ｖｉｂｒａｔｉｏｎ ｓｉｇｎａｌｓ．Ｆｉｒｓｔｌｙ，ＭＦＤＦＡ ｗａｓ ｕｓｅｄ ｔｏ ｃｏｍｐｕｔｅ ｔｈｅ ｍｕｌｔｉ ｆｒａｃｔａｌ ｓｐｅｃｔｒａｏｆｖｉｂｒａｔｉｏｎ ｓｉｇｎａｌｓｕｎｄｅｒｅａｃｈ ｓｔａｔｕｓ．Ｎｅｘｔ，ｔｗｏ ｍｕｌｔｉｆｒａｃｔａｌ ｓｐｅｃｔｒｕｍｓｐａｒａｍｅｔｅｒｓｂｅｉｎｇｔｈｅ ｍｏｓｔ ｓｅｎｓｉｔｉｖｅ ａｎｄ ｓｔａｂｌｅ ｗｅｒｅ ｓｅｌｅｃｔｅｄ ａｎｄ ｅｍｐｌｏｙｅｄ ａｓｆａｕｌｔ ｆｅａｔｕｒｅ ｖａｌｕｅｓ．Ｔｈｅｎ ｆｅａｔｕｒｅ ｖａｌｕｅｓｗｅｒｅ ｒｅｇａｒｄｅｄ ａｓ ｔｈｅ ｉｎｐｕｔ ｏｆＬＳＳＶＭ ｂａｓｅｄ ｏｎ ＰＳＯ ｆｏｒｊｕｄｇｉｎｇ ｒｏｌｌｉｎｇ ｂｅａｒｉｎｇ ｆａｕｌｔ ｐｏｓｉｔｉｏｎ ａｎｄ ｉｔｓ ｄａｍａｇｅ ｌｅｖｅｌ．Ｆｉｎａｌｌｙ，ｔｈｅ ｅｆｆｅｃｔｉｖｅｎｅｓｓ ｏｆｔｈｅ ｍｅｔｈｏｄ ｗａｓ ｖｅｒｉｆｉｅｄ ｗｉｔｈ ｓｉｍｕｌａｔｉｏｎ ｔｅｓｔｉｎｇ ａｎｄ ａｃｔｕａｌ ｅｘａｍｐｌｅ，ａｎｄ ｔｈｅ ｒｅｓｕｌｔｓ ｗｅｒｅ ｃｏｍｐａｒｅｄ ｗｉｔｈ ｔｈｏｓｅ ｏｆ ｏｔｈｅｒ ｒｅｌａｔｅｄ ｍｅｔｈｏｄｓ． Ｔｈｅ ｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔｔｈｅｐｒｅｓｅｎｔｅｄｍｅｔｈｏｄｃａｎａｃｃｕｒａｔｅｌｙｒｅａｌｉｚｅｔｈｅ ｉｎｔｅｌｌｉｇｅｎｔｄｉａｇｎｏｓｉｓｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｆａｕｌｔｐｏｓｉｔｉｏｎ ａｎｄ ｄａｍａｇｅ ｌｅｖｅｌ，ｉｔｈａ