多核多分類相關(guān)向量機的滾動軸承多特征融合智能故障診斷方法

王波，寧毅，張亞虎

(滁州學院 機械與電氣工程學院,安徽滁州 239000)

滾動軸承是旋轉(zhuǎn)機械的重要組成部分,其健康狀況對機械設(shè)備能否正常運行有著直接的影響[1-2]。因此,對滾動軸承實施監(jiān)測與診斷對提高機械設(shè)備的可靠性與安全性有著重要意義。目前,基于振動信號的智能故障診斷方法在滾動軸承故障診斷中得到廣泛應(yīng)用[3-4],其主要通過故障信號特征提取與故障識別器相結(jié)合對滾動軸承故障進行智能識別。

特征提取的主要任務(wù)是從復雜的信號中提取出可代表不同設(shè)備狀況特性的特征,常用的故障特征提取方法有時域特征提取、頻域特征提取、時頻域特征提取等[5]。故障識別器的主要作用是將所提取的特征向量,通過分類器的分類決策機制對故障類型進行判別。支持向量機(Support vector machine,SVM)由于泛化能力強,能較好地處理小樣本問題等優(yōu)點在故障診斷領(lǐng)域得到了廣泛應(yīng)用[6],基于稀疏貝葉斯理論的相關(guān)向量機(Relevance vector machine,RVM),與SVM相比,有著泛化能力更強、決策模型更加稀疏等優(yōu)點[7-8],使得RVM在故障診斷領(lǐng)域逐漸得到了研究與應(yīng)用。現(xiàn)有研究主要以單一故障特征或不同特征的混合作為故障識別器的特征輸入向量[9-10],然而,由于滾動軸承振動信號的復雜性,單一故障特征難以對故障情況做出準確分析,不同特征的直接融合也會因輸入向量維數(shù)的增加,從而影響故障識別器的收斂速度以及最終的故障識別準確率。同時,傳統(tǒng)分類器特征空間的映射過程通常由單一核函數(shù)完成[11],但當樣本數(shù)據(jù)特征出現(xiàn)異構(gòu)信息以及樣本數(shù)據(jù)在高維空間分布不平坦時,采用單一核函數(shù)映射對所有樣本數(shù)據(jù)進行處理局限性也較大。……