KPCA 和耦合隐马尔科夫模型在轴承故障诊断中的应用.pdfVIP

振　动　与　冲　击 第 ３３ 卷第 ２１ 期 ＪＯＵＲＮＡＬ ＯＦ ＶＩＢＲＡＴＩＯＮ ＡＮＤ ＳＨＯＣＫ Ｖｏｌ．３３ Ｎｏ．２１ ２０１４　  ＫＰＣＡ 和耦合隐马尔科夫模型在轴承故障诊断中的应用 刘　韬１，２ ，陈　进２ ，董广明２ （１．昆明理工大学 机电工程学院，昆明　６５０５００；２．上海交通大学 机械系统与振动国家重点实验室，上海　２００２４０） 　　摘　要：针对多通道数据的有效融合能够更加准确地诊断轴承的故障，提出了一种基于 ＫＰＣＡ 和耦合隐马尔可夫 模型（ＣＨＭＭ）的轴承故障诊断方法。首先，分别对轴承各通道的振动信号进行特征提取，获得特征向量。然后采用 ＫＰ ＣＡ 对各通道的特征向量分别进行特征约减，获取主要的信息成分。最后，利用 ＣＨＭＭ对多通道信息进行融合和故障诊 断。通过对滚动轴承在正常、内圈故障、外圈故障和滚动体故障状态下实验数据的分析表明，该方法能够更加有效地诊断 轴承的故障。 关键词：核主成分分析；耦合隐马尔可夫模型；滚动轴承；故障诊断 中图分类号：ＴＨ１６５．３；ＴＮ９１ １；ＴＨ１７　　　文献标志码：Ａ ＤＯＩ：１０．１３４６５ ／ｊ．ｃｎｋｉ．ｊｖｓ．２０１４．２１．０１４ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ ＫＰＣＡ ａｎｄ ｃｏｕｐｌｅｄ ｈｉｄｄｅｎ Ｍａｒｋｏｖ ｍｏｄｅｌ ｉｎ ｂｅａｒｉｎｇ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ＬＩＵ Ｔａｏ１，２ ，ＣＨＥＮ Ｊｉｎ２ ，ＤＯＮＧ Ｇｕａｎｇｍｉｎｇ２ （１．Ｓｃｈｏｏｌ ｏｆ Ｍｅｃｈａｎｉｃａｌ ａｎｄ Ｅｌｅｃｔｒｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｋｕｎｍｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ｓｃｉｅｎｃｅ ａｎｄ Ｔｅｃｈｎｏｌｏｇｙ，Ｋｕｎｍｉｎｇ ６５０５００，Ｃｈｉｎａ； ２．Ｓｔａｔｅ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｍｅｃｈａｎｉｃａｌ Ｓｙｓｔｅｍ ａｎｄ Ｖｉｂｒａｔｉｏｎ，Ｓｈａｎｇｈａｉ Ｊｉａｏｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈａｎｇｈａｉ ２００２４０，Ｃｈｉｎａ） 　　Ａｂｓｔｒａｃｔ：　Ｔｈｅ ｆｕｓｉｏｎ ｏｆ ｍｕｌｔｉｃｈａｎｎｅｌ ｂｅａｒｉｎｇ ｍｏｎｉｔｏｒｉｎｇ ｉｎｆｏｒｍａｔｉｏｎ ｃａｎ ｏｂｔａｉｎ ｍｏｒｅ ａｃｃｕｒａｔｅ ｒｅｓｕｌｔｓ ｉｎ ｂｅａｒｉｎｇ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ．Ｈｅｒｅ，ａ ｒｏｌｌｉｎｇ ｅｌｅｍｅｎｔ ｂｅａｒｉｎｇ ｆａｕｌｔ ｄｉａｇｎｏｓｉｓ ｓｃｈｅｍｅ ｂａｓｅｄ ｏｎ ＫＰＣＡ ａｎｄ ｃｏｕｐｌｅｄ ｈｉｄｄｅｎ Ｍａｒｋｏｖ ｍｏｄｅｌ （ＣＨＭＭ） ｗａｓ ｐｒｅｓｅｎｔｅｄ． Ａｔ ｆｉｒｓｔ， ｔｈｅ ｆｅａｔｕｒｅｓ ｗｅｒｅ ｅｘｔｒａｃｔｅｄ ｆｒｏｍ ｂｅａｒｉｎｇ ｖｉｂｒａｔｉｏｎ ｓｉｇｎａｌｓ ｏｆ ｍｕｌｔｉｃｈａｎｎｅｌ， ｒｅｓｐｅｃｔｉｖｅｌｙ．Ｔｈｅｎ，ｔｈｅ ＫＰＣＡ ｗａｓ ｕｔｉｌｉｚｅｄ ｔｏ ｒｅｄｕｃｅ ｔｈｅ ｆｅａｔｕｒｅ ｄｉｍｅｎｓｉｏｎｓ．Ａｔ ｌａｓｔ，ｔｈｅ ｎｅｗ ＫＰＣＡ ｆｅａｔｕｒｅｓ ｗｅｒｅ ｉｎｐｕｔ ｉｎｔｏ ａ ＣＨＭＭ ｔｏ ｂｅ ｆｕｓｅｄ ａｎｄ ｔｏ ｄｉａｇｎｏｓｅ ｂｅａｒｉｎｇ ｆａｕｌｔｓ．Ｔｈｅ ｄａｔａ ａｃｑｕｉｒｅｄ ｆｒｏｍ ｂｅａｒｉｎｇｓｓｔａｔｅｓ ｕｎｄｅｒ ｎｏｒｍａｌ ｃｏｎｄｉｔｉｏｎｓ， ａｎｄ ｓｔａｔｅｓ ｗｉｔｈ ｉｎｎｅｒ ｒａｃｅ ｆａｕｌｔｓ，ｏｕｔｅｒ ｒａｃｅ ｆａｕｌｔｓ ａｎｄ ｒｏｌｌｉｎｇ ｂｏｄｙ ｆａｕｌｔｓ ｗｅｒｅ ａｎａｌｙｚｅｄ．Ｔｈｅ ｒｅｓｕｌｔｓ ｄｅｍｏｎｓｔｒａｔｅｄ ｔｈｅ ｅｆｆｅｃｔｉｖｅｎｅｓｓ ａｎｄ ｖａｌｉｄｉｔｙ ｏｆ ｔｈｅ ｐｒｏｐｏｓｅｄ ｍ