SV 冲击和振动 1875 - 9203 1070 - 9622 Hindawi出版公司 10.1155 / 2015/320508 320508年 研究文章 Multifault诊断滚动轴承使用小波Kurtogram和向量Median-Based特性分析 阮 Phuong H。 金 Jong-Myon Caesarendra Wahyu 学院的电气、电子和计算机工程 韩国蔚山大学 韩国蔚山680 - 749 韩国 ulsan.ac.kr 2015年 13 10 2015年 2015年 03 07年 2015年 18 08年 2015年 13 10 2015年 2015年 版权©2015 Phuong h .阮和Jong-Myon金。 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。

本文提出一种综合multifault于滚动轴承早期故障诊断方法。这是通过结合基于小波包变换(WPT)——kurtogram和一个新的向量median-based特性分析技术。该方法首先提取有用的特性,是轴承健康状况的特征从时域、频域和包络功率谱的声发射(AE)信号通过使用WPT-based kurtogram。然后,一个增强的特性分析方法基于线性判别分析(LDA)技术是用于选择最判别轴承故障特性从原始特征集。使用这些选定的故障特性的朴素贝叶斯分类器分类(NB)轴承故障条件。提出方法的性能测试和验证轴承各种故障条件下的实验测试平台并与传统的最先进的方法。拟议的轴承故障诊断方法收益率平均分类精度为91.11%,96.67%,98.89%,99.44%,300年98.61%的速度旋转,350,400,450,和500 rpm。

 1。介绍

在过去的几十年中,开发可靠的故障诊断系统能准确地检测和分类各种轴承故障的核心研究领域的机器状态监测预防性和预见性维护。这些故障诊断系统的目标是精确地检测出轴承故障在其发展的早期阶段,以防止潜在的工业机器故障,从而提高其可靠性和降低维护成本。

几种提供基于信号处理的方法开发了滚动轴承的故障诊断。这些方法从本质上的非平稳信号中提取故障特征的特征从有缺陷的轴承。安东尼( 1]提出kurtogram,这已经被证明是一个强大的方法来描述和提取隐藏在轴承故障信号的非平稳特性( 2- - - - - - 4]。kurtogram方法依赖于谱峰度,它最初提出的德怀尔( 5),检测存在的非平稳的瞬变和准确地表明他们在轴承信号的频带位置。最近,在试图提高kurtogram的性能故障诊断的方法,许多研究人员综合kurtogram要么与短时傅里叶变换(STFT) [ 6)或多频滤波器(MRFB) [ 1]。然而,这些方法在提取瞬时特征产生了小的改进,呈现kurtogram分析对无关紧要的冲动更敏感组件( 7]。这些缺点已经被引入增强解决kurtogram的变化,比如提出的史等。 8),它使用了复杂的Morlet小波变换。然而,复杂的Morlet小波变换都有自己的局限性。这包括其计算复杂度高,无法有效地分离高频组件,通常携带故障信息特征。在本文中,我们提出一个方法来改善kurtogram-based方法利用包络功率谱和小波包变换(WPT)。小波包变换(WPT)在计算上更有效和高效的频率分解。拟议中的kurtogram是由计算峰度值从每个子带信号的包络功率谱在不同级别的分解。收益率最高的子带信号谱峰度值选择提取轴承故障的典型特征条件。

除了特征提取技术,功能分析方法也被广泛研究以防止机器故障诊断分类性能的退化所造成的冗余信息的特征空间( 9- - - - - - 13]。降维技术已经用于识别特性,有效地代表了高维数据在低维空间,同时保留的内在信息轴承缺陷;这些最终导致改善分类性能的故障诊断系统。在各种降维方法,主成分分析(PCA) ( 14),独立分量分析(ICA) [ 15),和线性判别分析(LDA) ( 16)是最受欢迎的方法,有效地利用在机械故障诊断。例如,中,杨 11)主成分分析技术应用于机器健康预测从可用的状态监测数据中提取人口特征。郭et al。 12)调查的ICA算法分离性能的振动信号提取的信封的弱脉冲特性在滚动体轴承早期故障。在他们的研究调查在球轴承故障诊断,Harmouche et al。 13)展示了LDA的使用技术来有效地歧视,而软弱,否则很难发现/识别光谱特征提取振动信号的包络谱。LDA特征空间更好分离不同类型的轴承故障分析方法比传统的功能,从而导致改善分类性能。PCA和ICA是无监督方法,忽略了标签信息在降维,而LDA是一种监管方法,利用类标签信息来找到一个最佳的低维表示原始特性集,同时保留判别类之间的信息。因此,LDA产生更好的分类结果与PCA和ICA ( 9, 13, 14]。本文提出了一种新的LDA-based特性分析方法,使用一个向量median-based判别准则(VMDC)描述同类密实度和组内的可分性的特征空间,以便选择最歧视的轴承故障特征子集。

提出了一种可靠的multifault诊断滚动轴承相结合的改进方案WPT-based kurtogram VMDC-based特性分析方法。本文讨论的贡献可以概括如下:

提出了一种改进的WPT-based kurtogram最特征提取故障特征的非平稳的声发射(AE)信号。执行kurtogram通过计算谱峰度值的每个子带信号的包络功率谱在不同级别的分解。收益率最高的子带信号谱峰度值中提取故障特征的选择。

一个高效VMDC-based区别的故障特性分析方法提出了选择最歧视故障特征子集。一个向量median-based判别准则提出了减少同类密实度和最大化组内的特征空间的可分性。

综合多类滚动轴承故障诊断的方法,及其性能验证使用AE数据对各种单一和复合轴承缺陷获得在不同模拟裂纹大小和轴承旋转速度。

本文的其余部分的结构如下。部分 2描述总体的轴承故障诊断方法,部分 3介绍了自行设计故障模拟器(包括数据采集系统和播种轴承缺陷收集故障信号),和部分 4给出了实验结果。最后,部分 5本文总结道。

 2。提出了轴承故障诊断方法

提出全面的轴承故障诊断方案包括四个主要过程包括信号预处理、特征提取、特征选择、故障分类。图 1说明了提出方法的总体流程图。

流程图的轴承故障诊断方法。

 2.1。预处理

小波的性能kurtogram分析可以提高如果山峰之间的差异和侧翼的光谱能量最小化如表所示 6;这可以通过预处理前的AE信号特征提取( 17]。在这项研究中,prewhitening技术用于减少光谱能量传入的AE故障信号的变化。获取prewhitened信号,一个自回归(AR)模型 y ( n ) 是利用,定义如下: (1) y n = ∑ 我 = 1 p 一个 我 x 我 + n + e n , 在哪里 x ( n ) 是传入的轴承信号, 一个 我 AR系数, p 表示的顺序AR模型, e ( n ) 残余信号代表一个谱接近白噪声谱。

 2.2。特征提取

为了提取故障特征签名的AE信号,本文提出一种两步特征提取过程,工作如下。

步骤1。

在这一步中,该WPT-based kurtogram方法进行prewhitened AE信号来确定最有益的部分波段。提出的流程图WPT-based kurtogram如图 2下面提供的,它的细节。

小波kurtogram算法的流程图。

首先,prewhitened轴承信号分解为一系列的子带上进行小波包变换(WPT)和五个分解水平( n = 5 )使用Daubechies 2(或db2)过滤器。五级WPT分解结果共有63子带信号。每个子带信号的包络谱然后使用快速傅里叶变换(FFT)计算确定轴承故障特征频率。AE信号的包络谱从有缺陷的轴承通常是获得淹没缺陷频率及其谐波特征。我们利用峰度测量包络谱,然后突出的程度描述隐藏的轴承缺陷签名。为了有效地做到这一点,我们首先确定轴承缺陷频率,包括球轴承外滚道的通过频率(BPFO),球轴承内滚道的通过频率(BPFI),球轴承滚子(BSF)的旋转频率,和第一 米 谐波( 米 = 3 摘要)的每一个频率。这些缺陷频率定义如下: (2) BPFO = N r · F o 2 1 - - - - - - B d P d 因为 ⁡ α , BPFI = N r · F o 2 1 + B d P d 因为 ⁡ α , 净水器 = P d · F o 2 · B d 1 - - - - - - B d P d 因为 ⁡ α 2 , 在哪里 N r 表示圆柱滚子的数量, F o 轴转速, α 接触角, B d 和 P d 分别是辊直径和螺距。每个defect-related带宽 B W 我 范围从 一个 我 来 b 我 ( 我 = 1、2 , … , 米 ),它可以计算如下: (3) 一个 我 = 我 - - - - - - 呃 ∗ BPFO 如果BPFO 我 - - - - - - 呃 ∗ BPFI - - - - - - 2 ∗ 1 + 呃 ∗ F 0 如果BPFI 我 - - - - - - 呃 ∗ 净水器 - - - - - - 2 ∗ 1 + 呃 ∗ F C 否则 , b 我 = 我 + 呃 ∗ BPFO 如果BPFO 我 + 呃 ∗ BPFI + 2 ∗ 1 + 呃 ∗ F 0 如果BPFI 我 + 呃 ∗ 净水器 + 2 ∗ 1 + 呃 ∗ F C 否则 。 在这里, E R 轴承试验台的错误率, F C 是笼子里的频率。一旦确定了轴承故障带宽,三个不同的峰度值计算对应于三个轴承缺陷频率(即。、BPFO BPFI, BSF)。获取子带信号的峰度值后,生成的小波kurtogram(图 3)。图 3(一个)显示了频率刻度提出小波kurtogram铺平道路,而图 3(b)展示了一个示例颜色kurtogram(即三个轴承的故障频率。,BPFI BPFO BSF),代表所有的部分波段的峰度值。

提出了小波kurtogram。(一)提出小波的频率刻度为kurtogram。(b)的一个例子提出了小波kurtogram。

最后,对于每个kurtogram,最高的子带信号峰度值(即。,the signal that has the most discriminative fault features) is selected for extracting the bearing fault signatures. In Figure 3(b),选中的部分波段峰度值最高的使用虚线矩形突出显示。

步骤2。

在这一步中,10时域 ( f 1 , f 2 , … , f 10 ) 和三频域统计特性 ( f 11 , f 12 , f 13 ) 提取每个选定的子带信号,如表所示 1和 2,分别。此外,我们计算三个均方根(RMS)特性( f 14 - - - - - - f 16 )的前三次谐波对应的缺陷频率包络谱中每个选定的子带信号,如表所示 3。这导致一个功能池,由共有 N c × N 年代 × N f 的特性, N c 轴承故障类的数目, N 年代 是AE信号的数量获得每种故障类型,然后呢 N f 是功能的总数。在这种情况下, N f 10 + 3 + 3 = 16,包括10时域统计特性,三频域统计特性,和三个信封光谱均方根功能(使用提取的小波kurtogram计算)的三个轴承缺陷频率(即。、BPFO BPFI, BSF)。

时域统计特征参数。

参数 定义
均方根( f 1 ) 1 N ∑ 我 = 1 N x 我 2
均方根振幅( f 2 ) 1 N ∑ 我 = 1 N x 我 2
峰度( f 3 ) 1 N ∑ 我 = 1 N x 我 - - - - - - x ¯ σ 4
偏态( f 4 ) 1 N ∑ 我 = 1 N x 我 - - - - - - x ¯ σ 3
峰( f 5 ) 马克斯 ⁡ x 我 - - - - - - 最小值 ⁡ x 我
波峰因子( f 6 ) 马克斯 ⁡ x 我 1 / N ∑ 我 = 1 N x 我 2
冲动因子( f 7 ) 马克斯 ⁡ x 我 1 / N ∑ 我 = 1 N x 我
保证金因子( f 8 ) 马克斯 ⁡ x 我 1 / N ∑ 我 = 1 N x 我 2
形状因子( f 9 ) 1 / N ∑ 我 = 1 N x 我 2 1 / N ∑ 我 = 1 N x 我
峰度系数( f 10 ) 1 / N ∑ 我 = 1 N x 我 - - - - - - x ¯ / σ 4 1 / N ∑ 我 = 1 N x 我 2 2

频域统计特性参数。

参数 定义
频率中心( f 11 ) 1 N ∑ 我 = 1 N f 我
均方根频率( f 12 ) 1 N ∑ 我 = 1 N f 我 2
根方差频率( f 13 ) 1 N ∑ 我 = 1 N f 我 - - - - - - X f c 2

包络谱的统计特性参数。

参数 定义
RMS第一谐振频率( f 14 ) 1 b 1 - - - - - - 一个 1 ∑ 我 = 一个 1 b 1 f 我 2
二次谐波的RMS频率( f 15 ) 1 b 2 - - - - - - 一个 2 ∑ 我 = 一个 2 b 2 f 我 2
RMS三次谐波的频率( f 16 ) 1 b 3 - - - - - - 一个 3 ∑ 我 = 一个 3 b 3 f 我 2
2.3。特征选择

在本文中,我们提出一个特性分析方法基于线性判别分析(LDA)技术+一个向量median-based判别准则(VMDC)找到最歧视的提取故障特征子集准确的故障诊断。LDA监督降维算法,利用类标签信息来找到最优的线性变换矩阵项目原始高维特征空间到低维表示,同时保存的信息可以帮助区分不同类别之一。让 X = { x 1 , x 2 , … , x N } ∈ R D × N 是一个数据集, D 原始维度和吗 N 样品的数量吗 X 。每个样本 x 我 属于一个类 c 我 = { 1、2 , … , C } 。让 N 我 在课堂上是样本的数量 c 我 ,让 N 是样品的总数量在所有的类。然后,组内散射矩阵 年代 w 和组内的散射矩阵 年代 b 可以评估( 4)和( 5),分别为: (4) 年代 w = ∑ 我 = 1 C ∑ x k ∈ C 我 x k - - - - - - μ 我 T x k - - - - - - μ 我 , (5) 年代 b = ∑ 我 = 1 C μ 我 - - - - - - μ T μ 我 - - - - - - μ 。 在这里, μ 我 = 1 / N 我 ∑ x 我 ∈ c 我 x 我 是样本的均值贴上类 c 我 和 μ = 1 / N ∑ 我 = 1 N x 我 的意思是所有的样品。LDA项目原始变量的空间到( C - - - - - - 1 维空间最大化Fisher判别规则( 18),定义如下: (6) W ∗ = 参数 ⁡ 马克斯 ⁡ W T 年代 b W W T 年代 w W 。

这种判别规则最大化组内的分离性比同类密实度通过选择只减少了最歧视的组件的数量。然而,LDA-based特性分析方法的能力是有限的有效选择最优数量的区别的组件来获得最高的分类性能。在现有的文献中,没有明确的共识的最优产量最高的LDA组件数量分类的性能。为了解决这个问题,我们提出一个健壮的方法基于矢量中值的方法来获得最优数量的LDA组件,可以最大化的分类性能。为了确定每个类的矢量中值,本研究利用累计使用欧氏距离距离判据。矢量中值 V 米 我 类的 c 我 被定义为累积收益率最低的数据点距离和确定如下: (7) 虚拟机 我 = argmin k ∈ c 我 ⁡ ∑ j ∈ c 我 , j ≠ k x k - - - - - - x j 2 。

一旦确定所有类的向量中位数,修改后的同类密实度和组内的分离性值计算使用( 8)和( 9),分别为: (8) 年代 w = 1 C ∑ 我 = 1 C 1 N 我 ∑ j = 1 N 我 虚拟机 我 - - - - - - x j 2 , (9) 年代 b = 1 C ∑ 我 = 1 C argmin j ∈ C , j ≠ 我 ⁡ 虚拟机 我 - - - - - - 虚拟机 j 2 。 在( 8类的),组内密实度反映通过的距离向量中值类的其他样本。另外,在( 9),组内的类与其他类的可分性是由向量的最小距离的类向量中值中位数的其他类。特征空间中异常值的影响最小化平均这些距离测量,这提高了歧视性的力量提出了特性分析方法。向量median-based判别准则,用于选择最优数量的有用的LDA组件定义如下: (10) K ∗ = 参数 ⁡ 马克斯 ⁡ 年代 b 年代 w 。

2.4。故障分类

在这项研究中,一个朴素贝叶斯分类器 19)用于各种单一和复合轴承故障进行分类。这选择分类器由于其简单性和高分类性能相对较低的计算成本( 19, 20.]。朴素贝叶斯分类器的复杂性 O ( N d ) ,在那里 N 训练样本的数量和吗 d 是有条件的数量特征。其他分类算法,如资讯,安,和SVM的复杂性 O ( N 2 ) , O ( N 2 ) , O ( N 3 ) 分别为( 20.]。此外,朴素贝叶斯分类器在本质上是自适应和不需要任何固定参数(与其他分类算法)。

在这项研究中,为了评估的广义分类性能提出了全面的轴承故障诊断方法, k 倍交叉验证( k 简历)[ 21是就业。在 k 简历,该功能池是随机划分 k 共同的子集( k = 3 在这项研究中)。然后,在 我 th的迭代 k 的简历,其中一个子集作为测试数据集,另一( k - - - - - - 1 )是用来训练子集朴素贝叶斯分类器。分类性能平均值 k 的试验 k 的简历。这种技术的优点是,无论我们如何划分数据中的每个数据样本测试设置一次,包括在训练集( k - - - - - - 1 )次。因此,分类结果的方差最小化。验证该方法的分类性能,本文利用平均分类精度(ACA)和真阳性率(TPR)性能的措施。这些定义在( 11)和( 12),分别为: (11) ACA = 1 k ∑ 我 = 1 k 1 N ∑ j = 1 C N TP 我 , j × One hundred. % , (12) TPR j = 1 k ∑ 我 = 1 k N TP 我 , j N TP 我 , j + N FN 我 , j × One hundred. % , 在哪里 k 交叉验证折叠和吗 N TP 我 , j 和 N F N 我 , j 是真阳性和假阴性的类的数量吗 c j 导致了 我 th的迭代 k 分别的简历。此外,真正的阳性的数量被定义为在课堂上样品的总数 c j 准确地划分为类 c j 。另外,假阴性的数量表示类的样本数量 c j 不属于 c j 。

 3所示。实验装置

在这项研究中,我们使用了一个实验测试平台开发的智能动态实验室(国立大学、韩国)来验证提出的性能故障诊断方法,如图 4。一个声发射(AE)传感器(WS α 类型,从物理声学合作)是用来捕捉连续AE信号。表 3描述的规范在本研究中使用的数据采集系统。

实验测试平台于滚动轴承的故障诊断( 10]。

本研究中使用的轴承圆柱滚动元素类型(FAG NJ206-3-TVP2)。这些轴承是根深蒂固的不同轴承缺陷,如图 5和上市如下:bearing-crack-on-outer-raceway (BCO) bearing-crack-on-inner-raceway (BCI) bearing-crack-on-roller (BCR) bearing-crack-on-outer-and-inner-raceways (BCOI) bearing-crack-on-outer-raceway-and-roller (BCOR) bearing-crack-on-inner-race-and-roller (BCIR)和bearing-crack-on-outer-and-inner-raceways-and-roller (BCOIR)。健康或没有缺陷轴承(足协)被用作参考基线测量。总共八个类型的轴承故障信号,包括正常没有缺陷轴承(基线),获得在不同旋转速度(300、350、400、450和500 rpm)。共有360个AE故障信号,每10秒时间,收集250 KHz的采样率为每个轴承缺陷在这个研究。

单一和多种因素轴承缺陷。(a) BCO, (b) BCI, (c) BCR, (d) BCOI, (e) BCOR BCIR (f), (g) BCOIR。

 4所示。实验结果 4.1。数据预处理

在本节中,我们研究和证明AE故障信号的预处理来提高我们的方法的分类性能。如前所述,总共八个单一和复合轴承缺陷进行了这项研究。数据 6和 7显示最优LDA判别元件的特性分布四个数据集。这些数据集是在两个不同的旋转速度(即。,500 rpm and 300 rpm) and for two different bearing crack sizes (i.e., 3 mm and 12 mm). From Figure 6故障特征,显然是不分开的不同阶层之间和歧视穷人没有预处理。例如,裂纹长度的类集群3毫米和300 rpm转速数据严重重叠,从而导致更高的分类错误率。相反,预处理的原始信号获取prewhitened信号降低了集群之间的重叠,提高分离之间的边界。

与轴承裂纹特征分布空间3毫米大小。prewhitening之前(a)和(b) prewhitening之后。

特征分布空间与轴承裂纹大小为12毫米。prewhitening之前(a)和(b) prewhitening之后。

同样,图 7显示,一些类簇之间的界限的原始信号模糊不清楚,而prewhitened信号有更清晰和更明显的界限。这些结果强烈表明prewhitened信号能够强烈项目区别的信息隐藏在轴承信号。山峰之间的变异和侧翼的光谱能量谱峰度分析每个类的原始信号的一个原因不能准确集群。因此,prewhitening流程需要改善不同集群之间的分离,使分类更简单、更精确,即使有朴素贝叶斯分类器。

 4.2。提出VMDC-Based特性分析方法

为了验证该特性分析方法的有效性,本研究比较了特征选择的性能(在分类精度)方法和原始LDA的10个不同的数据集,如图 8和 9。纵轴代表的平均分类精度计算不同故障类型的分类结果 k 的试验 k 简历,横轴代表LDA判别选择组件的数量。没有共识的适当数量的LDA组件总是保证分类精度最高。明显的数据 8和 9,LDA方法实现分类精度最高当LDA判别元件的数量达到7。然而,有一些例外。例如,在图 8(数据集的3毫米长度裂纹和转速为450 rpm),最高的精度可以达到91.67%(与六LDA组件);获得最高的精度与七LDA组件仅为90.83%。因此,LDA的组件的数量可以达到的最大分类精度必须确定每个研究的经验。相反,该特性分析方法总是显示更好的平均分类精度与原来相比LDA算法。例如,在图 9(数据集的12毫米长度裂纹和转速为300 rpm),该方法产生一个分类精度高达92.8%,明显优于LDA方法与任意数量的组件。这可以用这一事实来解释我们的方法利用vector-median判别标准,可以自适应地选择最优数量的LDA组件最大化的比例组内的可分性和同类密实度,从而实现最大的歧视性的力量在一个低维特征空间。这使得该方法总是达到最佳的分类性能。分析这些结果突出了本研究的主要贡献在分析并选择最优特征从原始特征池实现更好的分类性能比传统的特性分析算法。使用LDA方法,LDA的组件的数量产生最好的分类的结果必须确定数据集,数据集的基础上实证,而提出VMDC-based这个自适应方法。

提出的性能特性分析轴承裂纹3毫米大小。

提出的性能特性分析轴承裂纹大小为12毫米。

 4.3。分类性能

在本节中,我们比较该方法与其他的分类性能最先进的特性分析方法(即。PCA、ICA和LDA)。最优数量的组件PCA、ICA与乔治决心利用训练集的 k 简历褶皱在每个迭代和找到组件的数量为每个这些方法取得了最高的精度。最终的分类结果,通过计算 k 折叠的 k 简历,在表中进行了总结 4和 5。我们使用两个评价指标:真阳性率(TPR)和平均分类精度(ACA)。从数据表 4和 5,很明显,该特性分析方案优于传统的PCA方法,ICA和LDA的所有数据集,进行了分析研究。例如,表 5表明,该方法是100%左右的TPR几乎所有轴承故障(除了BCR故障情况,范围在93至97%,但仍高于PCA和ICA)。在表 4,它可以观察到,该方法取得了较好的分类性能,即使3毫米长度裂纹的特征聚类数据集是贫穷和不分离而12毫米长度裂纹数据集。这种较高分类性能表明,提出的方法是更有效的特征分析与其他传统的方法。我们的方法也能够产生最大的歧视在低维特征空间。

数据采集系统的规范。

PCI-2 AE系统 (我)ADC: 18位每通道最大40 MS / s(2)频率响应:1 kHz-3 MHz (−3 dB点)(3)采样率:100 k / s, 200 k / s, 500 k / s, 1 MS / s, 2 MS / s, 5 MS / s, 10 MS / s, 20 MS / s、40 MS / s是可选择的
WS α传感器 (我)峰灵敏度(V / μ 栏):−62分贝(2)操作频率范围:100 - 900千赫(3)共振频率:650千赫

k / s: kSamples每秒;MS / s: MSamples每秒。

性能对比传统特性分析方法和提出的特征分析方法的平均分类精度和真正的积极速度轴承裂纹大小为3毫米(单位:%)。

轴转速 TPR /轴承故障条件下3毫米裂纹尺寸 ACA
足协 BCI BCO BCR BCOI BCOR BCIR BCOIR
主成分分析 300转 40.00 62.22 62.22 66.67 53.33 62.22 66.67 75.56 61.11
350转 57.78 55.56 28.89 91.11 44.44 68.89 31.11 55.56 54.17
400转 66.67 71.11 15.56 86.67 75.56 51.11 97.78 60.00 65.56
450转 86.67 86.67 26.67 91.11 33.33 75.56 95.56 80.00 71.94
500转 82.22 82.22 33.33 91.11 48.89 71.11 93.33 46.67 68.61
ICA 300转 48.89 60.00 62.22 71.11 40.00 57.78 71.11 77.78 61.11
350转 42.22 51.11 13.33 86.67 35.56 73.33 57.78 40.00 50.00
400转 88.89 80.00 42.22 80.00 66.67 35.56 100.00 62.22 69.44
450转 88.89 82.22 28.89 88.89 53.33 82.22 95.56 73.33 74.17
500转 88.89 84.44 35.56 91.11 31.11 75.56 93.33 44.44 68.06
乔治。 300转 53.33 93.33 73.33 100.00 77.78 84.44 82.22 77.78 80.28
350转 82.22 91.11 71.11 86.67 77.78 86.67 80.00 88.89 83.06
400转 93.33 91.11 57.78 93.33 91.11 77.78 97.78 80.00 85.28
450转 88.89 91.11 77.78 100.00 86.67 95.56 100.00 71.11 88.89
500转 88.89 97.78 68.89 91.11 73.33 86.67 100.00 80.00 85.83
提出了 300转 53.33 80.00 62.22 100.00 75.56 80.00 82.22 80.00 76.67
350转 80.00 88.89 73.33 88.89 80.00 86.67 82.22 91.11 83.89
400转 91.11 91.11 60.00 93.33 93.33 82.22 100.00 82.22 86.67
450转 88.89 97.78 86.67 97.78 88.89 97.78 95.56 84.44 92.22
500转 88.89 97.78 64.44 91.11 75.56 91.11 100.00 80.00 86.11

性能对比传统特性分析方法和提出的特征分析方法的平均分类精度和真正的积极速度轴承裂纹大小为12毫米(单位:%)。

轴转速 TPR /轴承故障条件下12毫米裂纹尺寸 ACA
足协 BCI BCO BCR BCOI BCOR BCIR BCOIR
主成分分析 300转 84.44 75.56 64.44 66.67 86.67 95.56 71.11 75.56 77.50
350转 95.56 53.33 75.56 71.11 77.78 88.89 80.00 95.56 79.72
400转 93.33 73.33 86.67 82.22 75.56 91.11 95.56 97.78 86.94
450转 91.11 77.78 88.89 73.33 91.11 95.56 91.11 91.11 87.50
500转 88.89 95.56 91.11 86.67 95.56 93.33 91.11 93.33 91.94
ICA 300转 51.11 48.89 86.67 66.67 71.11 93.33 71.11 64.44 69.17
350转 64.44 42.22 88.89 71.11 86.67 91.11 77.78 91.11 76.67
400转 88.89 62.22 88.89 75.56 75.56 88.89 91.11 97.78 83.61
450转 100.00 48.89 93.33 68.89 88.89 97.78 93.33 88.89 85.00
500转 91.11 88.89 91.11 84.44 97.78 93.33 88.89 95.56 91.39
乔治。 300转 77.78 88.89 82.22 93.33 95.56 100.00 97.78 88.89 90.56
350转 91.11 100.00 91.11 93.33 100.00 100.00 97.78 100.00 96.67
400转 95.56 100.00 97.78 95.56 100.00 100.00 97.78 97.78 98.06
450转 100.00 100.00 97.78 93.33 97.78 100.00 100.00 97.78 98.33
500转 91.11 100.00 100.00 97.78 100.00 97.78 100.00 100.00 98.33
提出了 300转 80.00 86.67 88.89 93.33 93.33 100.00 97.78 88.89 91.11
350转 91.11 100.00 88.89 93.33 100.00 100.00 100.00 100.00 96.67
400转 95.56 100.00 97.78 97.78 100.00 100.00 100.00 100.00 98.89
450转 100.00 100.00 100.00 97.78 97.78 100.00 100.00 100.00 99.44
500转 93.33 100.00 100.00 97.78 100.00 97.78 100.00 100.00 98.61
5。结论

提出了一种综合multifault诊断方法基于AE分析检测多个局部轴承滚动轴承的故障。方法包括prewhitening步骤,基于小波的特征提取kurtogram,一个有用的特征选择与拟议中的VMDC-based特性分析、故障分类采用NB分类器。拟议的方法的一个主要优势是,不稳定的部分波段AE信号,携带最敏感的信息相关的故障特点,自适应地确定没有任何轴承故障类型的先验知识通过使用一个增强WPT-based kurtogram算法。此外,提出VMDC-based区别的特征分析方法有效地确定最优特性的歧视性的权力最大化。拟议的方法评估了一个实验装置使用健康的轴承和七个损坏的在不同旋转速度和不同的模拟裂纹尺寸。实验结果表明,该multifault诊断方法达到最高的分类精度达到91.11%,96.67%,98.89%,99.44%,和98.61%的300 rpm的轴承旋转速度下,350 rpm, 400 rpm, 450 rpm,分别和500 rpm。

 利益冲突

作者宣称没有利益冲突有关的出版。

 承认

这项工作是由韩国国家研究基金会(NRF)授予由韩国政府资助(MSIP)(没有。nrf - 2013 r1a2a2a05004566)。

 安东尼 J。 快速计算kurtogram的瞬态故障的检测 机械系统和信号处理 2007年 21 1 108年 124年 10.1016 / j.ymssp.2005.12.002 2 - s2.0 - 33749508107 Sawalhi N。 兰德尔 r B。 Endo H。 提高滚动轴承的故障检测和诊断用最小熵反褶积结合谱峰度 机械系统和信号处理 2007年 21 6 2616年 2633年 10.1016 / j.ymssp.2006.12.002 2 - s2.0 - 34249733154 Barszcz T。 兰德尔 r B。 应用谱峰度检测牙齿裂缝行星齿轮的风力涡轮机 机械系统和信号处理 2009年 23 4 1352年 1365年 10.1016 / j.ymssp.2008.07.019 2 - s2.0 - 58949090476 Boškoski P。 Petrovičič J。 Musizza B。 Juriičić D。 检测电机的轴承润滑不足的振动分析 摩擦学国际 2010年 43 9 1683年 1692年 10.1016 / j.triboint.2010.03.018 2 - s2.0 - 77955655247 德怀尔 r F。 检测非高斯信号的频域峰度估计 《IEEE国际会议音响、演讲和信号处理(ICASSP ' 83) 1984年 波士顿,美国质量 607年 610年 2 - s2.0 - 0020599969 安东尼 J。 兰德尔 r B。 谱峰态:应用旋转机械的振动监测和诊断 机械系统和信号处理 2006年 20. 2 308年 331年 10.1016 / j.ymssp.2004.09.002 2 - s2.0 - 27744553270 陈 B。 张 Z。 子 Y。 他 Z。 太阳 C。 检测使用一种改进的快速瞬态振动信号的空间谱合奏峰度kurtogram及其应用的力学特征分析从旋转机械短期数据 机械系统和信号处理 2013年 40 1 1 37 10.1016 / j.ymssp.2013.03.021 2 - s2.0 - 84881312436 史 l 兰德尔 r B。 安东尼 J。 使用改进的包络分析滚动轴承故障检测 学报》第八届国际会议在旋转机械的振动 2004年9月 威尔士斯旺西, 301年 311年 2 - s2.0 - 20844437466 康 M。 金 J。 金 人类。 棕褐色 a . C . C。 金 e . Y。 崔 B.-K。 可靠的低速轴承故障诊断使用单独训练支持向量机与内核区别的特性分析 IEEE电力电子 2015年 30. 5 2786年 2797年 10.1109 / TPEL.2014.2358494 2 - s2.0 - 84920116176 康 M。 金 J。 崔 B.-K。 金 人类。 包络分析遗传算法自适应滤波器银行轴承故障检测 《美国声学学会杂志》上 2015年 138年 1、文章EL65 6 10.1121/1.4922767 中 一个。 杨 s。 机健康预测使用生存概率和支持向量机 专家系统与应用程序 2011年 38 7 8430年 8437年 10.1016 / j.eswa.2011.01.038 2 - s2.0 - 79952455682 郭 Y。 Na J。 李 B。 冯 R.-F。 基于包络提取的降维独立分量分析滚动轴承的故障诊断 杂志的声音和振动 2014年 333年 13 2983年 2994年 10.1016 / j.jsv.2014.02.038 2 - s2.0 - 84904118876 Harmouche J。 Delpha C。 迪亚洛 D。 改进故障诊断基于全球的球轴承振动信号的频谱 IEEE能量转换 2015年 30. 1 376年 383年 10.1109 / tec.2014.2341620 2 - s2.0 - 84905636773 的巨大 K。 介绍了统计模式识别 1990年 波士顿,美国质量 学术出版社 计算机科学和科学计算 MR1075415 通常 P。 独立分量分析,一个新概念? 信号处理 1994年 36 3 287年 314年 10.1016 / 0165 - 1684 (94)90029 - 9 2 - s2.0 - 0028416938 克劳克兰 g . J。 判别分析和统计模式识别 1992年 纽约,纽约,美国 威利 10.1002 / 0471725293 MR1190469 琮 F。 陈 J。 越南盾 G。 基于AR模型谱峰度滚动轴承的故障诊断和状态监测 机械科学与技术杂志》上 2012年 26 2 301年 306年 10.1007 / s12206 - 011 - 1029 - 0 2 - s2.0 - 84863182429 Mardia K。 肯特 J。 毕比 J。 多变量分析 1979年 英国伦敦 学术出版社 MR560319 Vaidya J。 Kantarcıoğlu M。 克利夫顿 C。 保护隐私朴素贝叶斯分类 VLDB日报 2008年 17 4 879年 898年 10.1007 / s00778 - 006 - 0041 - y 2 - s2.0 - 45749132089 他 杨绍明。关铭 王 R。 邝 年代。 王 X.-Z。 基于概率密度估计的贝叶斯分类器及其应用程序并发故障诊断 信息科学 2014年 259年 252年 268年 10.1016 / j.ins.2013.09.003 MR3134219 2 - s2.0 - 84889636018 罗德里格斯 J。 佩雷斯 a·J。 Lozano J。 灵敏度分析k-fold交叉验证的预测误差估计 IEEE模式分析与机器智能 2010年 32 3 569年 575年 10.1109 / tpami.2009.187