基于spwvd时频图纹理特征的滚动轴承故障诊断参考.pdfVIP

第37卷第1期 振动、测试与诊断 V01．37No．1 2017年2月 Feb．2017 Journalof Vibration，MeasurementDiagnosis 基于SPWVD时频图纹理特征的滚动轴承故障诊断。 王亚萍， 许 迪， 葛江华， 孙永国， 隋秀凛 (哈尔滨理工大学机械动力工程学院哈尔滨，150080) and 摘要针对如何提高滚动轴承故障诊断准确率的问题，提出一种基于平滑伪维格纳一威利分布(smoothpseudo wigne卜Ville 进行识别。首先，采用sPwVD时频分析方法处理轴承故障振动信号，并获取时频图，从中提取选择表征能力优秀 vectors 的特征参量作为故障特征；其次，将故障特征作为输入，结合支持向量机(supportmachine，简称SVM)建立 结果表明，SPwVD时频图纹理故障特征分类效果最佳，敏感性最强，具有较高的故障诊断精度。 关键词 滚动轴承；故障诊断；特征提取；平滑伪维格纳一威利分布；纹理特征 中图分类号 TN911．7；THl65一．3 参量的诊断性能，并验证了笔者提出方法的优越性。 引 言 1 滚动轴承故障振动信号时频图纹理 在基于机器学习的智能故障诊断方法逐渐成熟 特征 的今天…，怎样提高故障特征模式识别性能，更加准 确地识别机械的故障类型以及故障程度一直是研究 1．1滚动轴承故障振动信号时频图的获取方法 的热点[24|。为提高机械故障特征模式识别性能，图 像纹理特征分析手段进入到了机械故障诊断的研究 为提取时频图纹理特征，首先要获取滚动轴承 当中。鲁文波等[5]获取设备声像图，并从中提取 故障振动信号的时频图。主要方法有小波变换时频 Gabor小波纹理特征作为故障特征。文献[6]采用 方法、短时傅里叶变换方法、wVD、振动信号三维谱 小波尺度谱图中提取的纹理特征作为故障特征，结 和SPWVD变换方法等[10。11]。WVD变换方法由于 合神经网络进行转子智能故障诊断。文献[7]采用 具备优秀的时频聚集性以及鲜明的物理意义，多用 levelco—occurrence 灰度共生矩阵(gray matrix，简于对机械设备的故障诊断。 称GI。CM)纹理特征作为旋转机械故障诊断的故障 对采集到的振动信号z(f)进行相关预处理，得 特征。文献[8]采用三维共生矩阵的方法实现了机 到信号z(￡)，计算其wVD分布 械故障的信息挖掘。文献[9]采用双谱等高线图进 r上∞ 一 一 wVD(f，厂)一I (1) 行故障信号时频分析。机械系统细微的状态差异变 J—z 厶 厶 化均在振动信号时频图像纹理特征中有所反映，并 且与传统故障特征相比，对信号特性保留较为完整。 弱相干项的影响，运算效率高，时频分析能力更加优 然而这种应用研究还处于起步阶段，如何更好地选 择图像纹理特征获取方法成为亟待解决的问题。笔 窗函数g(“)和^(r)，其中：g(“)为时域平滑窗； 者从振动信号SPw