基于HHT和有监督稀疏编码的滚动轴承故障状态识别方法.PDF

　 第40卷第11期 煤　 　 炭　 　 学　 　 报 Vol.40　 No.11　 　 2015年 11月 JOURNAL OF CHINA COAL SOCIETY Nov.　 2015　 俞　 啸,丁恩杰,陈春旭,等.基于HHT 和有监督稀疏编码的滚动轴承故障状态识别方法[J].煤炭学报,2015,40(11):2587- 2595.doi:10.13225/ ki.jccs.2015.7052 Yu Xiao,Ding Enjie,Chen Chunxu,et al.Rollingbearingfault staterecognitionmethodbasedon HHT andSupervisedSparse Coding[J]. - Journal of China Coal Society,2015,40(11):2587 2595.doi:10.13225/ ki.jccs.2015.7052 基于HHT和有监督稀疏编码的滚动轴承故障 状态识别方法 1,2,3 1,2 1,2 4 俞　 啸 ,丁恩杰 ,陈春旭 ,李　 力 (1.中国矿业大学 物联网(感知矿山)研究中心,江苏 徐州　 221008;2. 中国矿业大学 信息与电气工程学院,江苏 徐州　 221008;3.徐州医学院 医学信息学院,江苏 徐州　 221009;4.中南大学 机电工程学院,湖南 长沙　 410000) 摘　 要:为了实现对滚动轴承故障位置和损伤程度的准确定位,将类别判别信息引入到无监督的稀 疏编码中,提出一种有监督稀疏编码(Supervised Sparse Coding,SSC)方法,建立基于希尔伯特黄变 换(Hilbert-Huang Transform,HHT)和SSC 的振动信号特征提取和故障状态精细分类模型。 首先, 通过HHT 获取振动信号的边际谱,然后,利用SSC为边际谱信息建立统一的字典库,并完成对边际 谱的稀疏表示,实现干扰信息的滤除和故障目标敏感特征的二次提取,最后,使用SSC得到的稀疏 - - 系数完成对支持向量基(Support Vector Machine,SVM)分类器的训练。 采用SKF 6205 2RS 轴承 - - 试验台数据对提出方法进行实验分析,使用HHT SSC SVM模型,驱动端轴承故障状态识别率为 99.5%,风扇端轴承故障状态识别率为98.25%,与文中其他模型相比,在故障状态识别率上有所 提高,并且表现出来较强的适应能力。 关键词:希尔伯特黄变换;稀疏编码;支持向量机;特征提取;滚动轴承故障 - - - 中图分类号:TH165;TP206　 　 　 文献标志码:A　 　 　 文章编号:0253 9993(2015)11 2587 09 Rolling bearing fault state recognition method based on HHT and Supervised Sparse Coding 1,2,3 1,2