基于ITD－AR模型和SVDD的轴承故障诊断方法-地球信息科学学报.PDFVIP

云南大学学报（自然科学版），２０１８，４０（２）：２２８～２３５ ＤＯＩ：１０．７５４０／ｊ．ｙｎｕ Ｊｏｕｒｎａｌ ｏｆ Ｙｕｎｎａｎ Ｕｎｉｖｅｒｓｉｔｙ ∗ － 基于ＩＴＤ ＡＲ模型和ＳＶＤＤ 的轴承故障诊断方法研究 １，２ １，２ １，２ 王之宏 ，范玉刚 ，黄国勇 （１．昆明理工大学 信息工程与自动化学院，云南 昆明　 ６５０５００； ２．云南省矿物管道输送工程技术研究中心，云南 昆明　 ６５０５００） 摘要：针对滚动轴承在强背景噪声干扰下振动信号故障特征难以提取，以及实际运行中因故障样本缺乏而 影响故障诊断准确性的问题，提出了基于固有时间尺度分解（Ｉｎｔｒｉｎｓｉｃ Ｔｉｍｅ Ｓｃａｌｅ Ｄｅｃｏｍｐｏｓｉｔｉｏｎ，ＩＴＤ）的ＡＲ模 型振动信号特征提取，与支持向量数据域描述（Ｓｕｐｐｏｒｔ Ｖｅｃｔｏｒ Ｄａｔａ Ｄｅｓｃｒｉｐｔｉｏｎ，ＳＶＤＤ）相结合的轴承故障诊断 方法．首先用ＩＴＤ将振动信号分解成一系列的固有旋转（Ｐｒｏｐｅｒ Ｒｏｔａｔｉｏｎ，ＰＲ）分量，然后对每一个ＰＲ分量建立 ＡＲ模型，提取模型参数和残差方差构造特征向量，用以建立轴承正常运行的ＳＶＤＤ模型，并以振动信号特征向 量偏离ＳＶＤＤ模型的程度来判断轴承的运行状态．将该方法应用于滚动轴承的故障诊断，实验证明了所提方法 的有效性． 关键词：滚动轴承；固有时间尺度分解；自回归模型；支持向量数据域描述模型；故障诊断 － － － 中图分类号：ＴＨ １６５．３　 　 文献标志码：Ａ　 　 文章编号：０２５８ ７９７１（２０１８）０２ ０２２８ ０８ 滚动轴承作为旋转机械的重要部件广泛应用于工业生产的众多领域，其运行状态将直接影响系统的 可靠性，因此如何在强背景噪声干扰下有效提取振动信号故障特征，并在故障样本缺乏条件下建立系统的 故障诊断模型具有重要的意义． 有效提取滚动轴承的故障特征是故障诊断的首要问题．ＥＭＤ（Ｅｍｐｉｒｉｃａｌ － ［１ ３］ Ｍｏｄｅ Ｄｅｃｏｍｐｏｓｉｔｉｏｎ）可以在没有任何先验知识的情况下，自适应地从信号中分离出调频调幅信号 ，但 是存在端点效应、虚假分量等问题．ＬＭＤ（Ｌｏｃａｌ Ｍｅａｎ Ｄｅｃｏｍｐｏｓｉｔｉｏｎ）在抑制端点效应、迭代次数等方面要 ［４］ ［５］ 优于ＥＭＤ方法 ，但是存在计算速度较慢等局限 ．固有时间尺度分解（Ｉｎｔｒｉｎｓｉｃ Ｔｉｍｅ Ｓｃａｌｅ Ｄｅｃｏｍｐｏｓｉ⁃ ｔｉｏｎ，ＩＴＤ）是在研究ＥＭＤ和ＬＭＤ基础上提出的自适应复杂信号时频分解方法，对复杂信号分解有其独特 ［６］ 的优势，其克服了ＥＭＤ和ＬＭＤ 中存在比较严重的端点效应和虚假分量的问题 ，计算速度和端点效应等 － 方面明显优于ＥＭＤ和ＬＭＤ方法 ［７ ８］．自回归（Ａｕｔｏ Ｒｅｇｒｅｓｓｉｖｅ，ＡＲ）模型是一种时间序列分析方法，其模