軸承故障稀疏編碼特征提取與多分類SVM 識別

藍 雄，劉勝永

（1.柳州職業(yè)技術學院機電工程學院，廣西 柳州 545006；2.廣西科技大學，廣西 柳州 545006）

1 引言

滾動軸承是旋轉(zhuǎn)機械設備中最為關鍵的零部件之一，因滾動軸承損壞引發(fā)的故障約占旋轉(zhuǎn)機械設備故障的30%。滾動軸承故障直接影響設備的工作效率和產(chǎn)品質(zhì)量，嚴重時甚至造成人員傷亡和巨大經(jīng)濟損失[1]。軸承故障智能檢測和診斷技術可以實時監(jiān)測軸承運行狀態(tài)，對于維護設備安全穩(wěn)定運行、提高生產(chǎn)效率等具有重要意義。

軸承故障診斷包括兩大關鍵技術：一是特征信號的提取，二是故障模式的識別。故障特征是能夠區(qū)分不同故障類型和不同故障程度的特征信號，傳統(tǒng)的特征信號包括時域特征、頻域特征和時頻域特征，不同分析域的特征信號代表信號不同的統(tǒng)計特征。當前新興的特征提取技術包括能量算子、熵特征等。文獻[2]分析了軸承振動信號在時域和頻域兩種分析域中的有量綱和無量綱特征信號，實現(xiàn)了故障類型和故障程度識別。文獻[3]提出了基于經(jīng)驗小波變換的精細譜負熵特征提取方法，有效提取了軸承內(nèi)外圈故障特征信息。文獻[4]針對對稱差分能量算子對噪聲敏感的不足，提出了對稱差分解析能量算子，能夠從重度污染信號中提取故障特征信號。近年來人工智能模式識別發(fā)展迅猛，出現(xiàn)了樸素貝葉斯方法、神經(jīng)網(wǎng)絡、支持向量機、聚類、隨機森林等方法。文獻[5]使用聚類方法輔助確定K 近鄰分類器的鄰域數(shù)量，克服了鄰域數(shù)量依靠經(jīng)驗確定的問題，能夠有效識別故障類型。……