基于二次奇异值分解和最小二乘支持向量机的轴承故障诊断方法.docVIP

基于二次奇异值分解和最小二乘支持向量机的轴承故障诊断方法 　　摘要：为了解决奇异值分解（SVD）对不同信号分解的有效奇异值个数不同，而影响故障识别准确性的难题，提出了基于二次SVD和最小二乘支持向量机（LSSVM）的故障诊断方法。该方法利用奇异值曲率谱自适应选择有效奇异值重构信号，进行二次SVD处理，获得相同个数的正交分量，求解其能量熵，并构造故障特征向量，用于LSSVM分类模型故障识别。将该方法应用于轴承故障诊断，与利用特定个数的主奇异值作为特征向量的方法相比，准确度提高了13.34%，表明了该方法的可行性和有效性。 　　关键词：二次奇异值分解；最小二乘支持向量机；能量熵；故障诊断 　　中图分类号：TP277 　　文献标志码：A 　　Abstract： In order to solve the difficult problem that the different number of singular values affects the accuracy of fault identification， caused by Singular Value Decomposition （SVD） for different signals. A fault diagnosis method based on dual SVD and Least Squares Support Vector Machine （LSSVM） was put forward. The proposed method could adaptively choose effective singular values by using the curvature spectrum of singular values for reconstructing a signal. SVD was carried out again to acquire the same number of orthogonal components and its energy entropy was calculated to construct the feature vector. Finally， it could be used in the LSSVM classification model for fault identification. Compared with the method of using limited principal singular values as feature vector， the results show that the proposed method applied to the bearing fault diagnosis improves the accuracy of 13.34%. Also， it is feasible and valid. 　　Key words： dual Singular Value Decomposition （SVD）； Least Squares Support Vector Machine （LSSVM）； energy entropy； fault diagnosis 　　0引言 　　在机械故障诊断领域内，轴承是各种旋转机械设备中最为常见，也是最容易损坏的元件之一，其运行状态往往直接影响整机的性能。据统计，旋转机械故障有30%由轴承故障引起，其中绝大部分是由轴承表面的局部损伤造成，如外圈、内圈、滚动体表面的点蚀、裂纹和剥落等[1-2]。当发生这些损伤时，滚动体高速旋转经过这些损伤处就会受到不平衡冲击，在振动中产生突变信号，这些突变信号包含有丰富的故障信息，能够准确反映早期轴承故障状态。因而，根据滚动轴承在线振动信号监测其运行状态和实时故障诊断已成为目前研究的热点，并取得了颇丰的研究成果[3-4]。 　　奇异值分解（Singular Value Decomposition， SVD）具有良好的数值稳健性，能够在强噪声背景下清晰有效地检测突变信息，近年来在信号处理[5]、数据挖掘[6]及故障诊断[1-2，7-9]等很多领域都得到了广泛应用。在机械故障诊断领域内，大多将SVD应用于降噪滤波[7]、奇异值分析[8-9]或特征提取[2，8]，缺乏进一步对故障进行识别的研究。然而，文献[1]仅简单地选择若干主特征值作为特征向量输入支持向量机（Support Vector Machine， SVM）进行故障分类，且对不同故障的主特征值个数进行了限定，影响了对故障识别的准确性；在文献[9]中SVD对前期聚合经验模态分解（Ensemble Empirical