基于小波包變換與隨機(jī)森林的滾動(dòng)軸承故障特征分析方法

范春旸，吳守鵬，劉曉文，俞 嘯，3

（1.中國(guó)礦業(yè)大學(xué)物聯(lián)網(wǎng)（感知礦山）研究中心，江蘇 徐州 221008；2.中國(guó)礦業(yè)大學(xué)信息與控制工程學(xué)院，江蘇 徐州 221008；3.徐州醫(yī)科大學(xué)醫(yī)學(xué)信息學(xué)院，江蘇 徐州 221009）

1 引言

滾動(dòng)軸承作為旋轉(zhuǎn)機(jī)械設(shè)備的關(guān)鍵部件，一旦發(fā)生故障，會(huì)嚴(yán)重影響設(shè)備的安全穩(wěn)定運(yùn)行，并造成難以估計(jì)的損失，因此準(zhǔn)確識(shí)別滾動(dòng)軸承的故障狀態(tài)具有重要意義[1]。識(shí)別滾動(dòng)軸承故障狀態(tài)的有效方法之一是振動(dòng)信號(hào)分析，振動(dòng)信號(hào)分析作為識(shí)別滾動(dòng)軸承故障狀態(tài)的有效方法，通常采取時(shí)頻分析法對(duì)非平穩(wěn)信號(hào)進(jìn)行分析，采用的小波包變換（Wavelet Packet Transform，WPT）是在經(jīng)典時(shí)頻分析方法小波變換的基礎(chǔ)上進(jìn)行了優(yōu)化[2]，彌補(bǔ)了小波變換的分辨率隨信號(hào)頻率升高而降低的不足，能夠根據(jù)被分析信號(hào)的特征自適應(yīng)的選擇最優(yōu)基函數(shù)。文獻(xiàn)[3]將WPT 與STFT 結(jié)合起來(lái)用于滾動(dòng)軸承故障診斷。文獻(xiàn)[4]將WPT 和支持向量機(jī)用于檢測(cè)軸承故障，故障種類有軸的不平衡、失調(diào)、碰摩以及碰摩和不平衡組合故障等。文獻(xiàn)[5]在齒輪箱故障診斷研究中，利用WPT 處理聲發(fā)射信號(hào)和振動(dòng)信號(hào)，將聲信號(hào)特征與振動(dòng)信號(hào)特征進(jìn)行深層融合，實(shí)驗(yàn)證明兩者的融合有助于提高齒輪箱故障診斷能力。

通過(guò)振動(dòng)信號(hào)的分析得到與的故障特征相關(guān)的原始特征集包含大量冗余特征，而不同特征對(duì)故障狀態(tài)的重要程度也不相同。針對(duì)這一問(wèn)題，提出一種基于平均精確率減少的特征選擇方法（Features Selection Base on Mean Decrease Accuracy，F(xiàn)SMDA），對(duì)原始特征集中的統(tǒng)計(jì)特征重要度進(jìn)行量化分析標(biāo)記并標(biāo)記量化分析，從而達(dá)到選擇重要特征進(jìn)行分類的目的?！?br>