基于小波峭度和向量中值特征分析的滚动轴承多故障诊断

摘要

提出了一种滚动轴承早期故障的综合多故障诊断方法。这是通过将基于小波包变换(WPT-)的峰度图和一种新的基于向量中值的特征分析技术相结合来实现的。该方法首先利用基于wpt的峭度图从声发射信号的时域、频域和包络功率谱中提取轴承健康状态的有用特征。然后，采用基于线性判别分析(LDA)技术的增强特征分析方法，从原始特征集中选择最具判别性的轴承故障特征。这些选择的故障特征被Naïve Bayes (NB)分类器用来分类轴承故障条件。在一个试验台上对所提出的方法在各种轴承故障条件下的性能进行了测试和验证，并与传统的最先进的方法进行了比较。提出的轴承故障诊断方法在转速为300、350、400、450和500 rpm时的平均分类准确率分别为91.11%、96.67%、98.89%、99.44%和98.61%。

1.介绍

在过去的几十年里，开发可靠的故障诊断系统来准确地检测和分类各种轴承故障，已经成为预防性和预测性维修的机器状态监测领域研究的核心。这些故障诊断系统旨在在其开发的早期阶段准确地检测轴承故障，以防止工业机械的潜在故障，从而提高其可靠性，降低维护成本。

研究了几种基于信号处理的滚动轴承故障诊断方法。这些方法从故障轴承固有的非平稳信号中提取故障特征。安东尼(1]提出了峭度图，证明了该方法是表征和提取轴承故障信号中隐藏的非平稳特征的有力方法[2- - - - - -4］．峰度图方法依赖于光谱峰度，它最初由Dwyer提出[5，以检测非平稳瞬态的存在，并准确地指出它们在方位信号频带中的位置。最近，为了提高峭度图方法在故障诊断中的性能，许多研究人员将峭度图与短时傅里叶变换(STFT)相结合[6或与多速率滤波器组(MRFB) [1］．然而，这些方法在提取瞬态特征方面几乎没有改进，并使峰度图分析对无关脉冲分量更加敏感[7］．这些缺点已经通过引入增强的峰度变化来解决，如Shi等人提出的[8，采用复Morlet小波变换。复杂的Morlet小波变换有其自身的局限性。其中包括计算复杂度高，不能有效分离高频成分，而高频成分通常携带特征故障信息。本文提出了一种利用包络功率谱和小波包变换(WPT)对基于峰度图的方法进行改进的方法。小波包变换(WPT)是一种计算效率更高、频率分解效率更高的方法。提出的峰度图是通过计算每个子带信号在不同分解层次的包络功率谱的峰度值来实现的。选择产生最高谱峭度值的子带信号来提取轴承故障条件的特征。

除了特征提取技术外，为了防止特征空间冗余信息导致分类性能下降，特征分析方法在机器故障诊断中也得到了广泛的研究[9- - - - - -13］．采用降维技术识别在低维空间中有效表示高维数据的特征，同时保留轴承缺陷的内在信息;这些最终导致了故障诊断系统分类性能的提高。在各种降维方法中，主成分分析(PCA) [14]、独立成分分析(ICA) [15]，线性判别分析(LDA) [16]是机械故障诊断中最常用的有效方法。例如，维多多和杨[11]将PCA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群特征。Guo等[12研究了一种独立分量分析算法在分离振动信号包络以提取滚动轴承早期故障的弱脉冲特征方面的性能。Harmouche等研究了滚珠轴承的故障诊断[13]演示了使用LDA技术有效地鉴别从振动信号的包络光谱中提取的相当微弱和其他方面难以检测/识别的光谱特征。与传统的特征分析方法相比，LDA特征空间能更好地分离不同类型的轴承故障，从而提高分类性能。PCA和ICA是在降维过程中忽略标签信息的无监督方法，而LDA是利用类标签信息找到原始特征集的最优低维表示，同时保留类之间的判别信息的有监督方法。因此，LDA的分类结果优于PCA和ICA [9，13，14］．本文提出了一种新的基于lda的特征分析方法，利用基于向量中值的判别准则(VMDC)来表征特征空间的类内紧性和类间可分性，从而选择最具鉴别性的轴承故障特征子集。

结合改进的基于wpt的峭度图和基于vmdc的特征分析方法，提出了一种可靠的滚动轴承多故障诊断方案。本文讨论的贡献可以总结如下:(1）提出了一种改进的基于wpt的峭度图，用于从非平稳声发射信号中提取最具特征的故障特征。峰度图是通过计算每个子带信号在不同分解层次上的包络功率谱的峰度值来实现的。选取谱峭度值最高的子带信号进行故障特征提取。(2）提出了一种有效的基于vmdc的故障特征判别分析方法，选择最具判别性的故障特征子集。提出了一种基于向量中值的判别准则，使特征空间的类内紧性最小，类间可分性最大。（3)提出了一种综合的滚动轴承多分类故障诊断方法，并利用不同模拟裂纹尺寸和轴承转速下获得的各种单一和复合轴承缺陷的声发射数据验证了该方法的性能。

本文的其余部分结构如下。部分2介绍了轴承故障诊断的总体方法，第一部分3.介绍了自行设计的故障模拟器(包括数据采集系统和用于采集故障信号的轴承缺陷种子)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

提出的轴承故障综合诊断方案包括信号预处理、特征提取、特征选择和故障分类四个主要过程。数字1说明所建议的方法的总体流程图。

2．1．预处理

如表所示，尽量减小谱能量的峰侧变化，可以提高小波峰度分析的性能6；这可以通过在特征提取之前对声发射信号进行预处理来实现[17］．在本研究中，采用预白化技术来降低传入声发射故障信号的光谱能量变化。通过自回归(AR)模型得到预白信号，其定义如下: 在哪里为输入方位信号，是AR系数，为AR模型的阶数，为为表示接近白噪声频谱的频谱的残差信号。

2．2．特征提取

为了从声发射信号中提取特征故障特征，本文提出了一个两步特征提取过程，其工作原理如下:

步骤1。在此步骤中，对预白化声发射信号进行基于wpt的峰度图方法，确定其信息量最大的子带。本文提出的基于wpt的峰度图流程图如图所示2，详情如下。

首先，通过小波包变换(WPT)将预白化后的轴承信号分解为5个子带()，使用Daubechies 2(或db2)过滤器。五级WPT分解得到总共63个子带信号。然后利用快速傅里叶变换(FFT)计算每个子带信号的包络谱，以识别轴承故障特征频率。故障轴承声发射信号的包络谱中通常充斥着故障特征频率及其谐波。我们利用峰度来测量包络谱的突出程度，然后表征隐藏的轴承缺陷特征。为了有效地做到这一点，我们首先确定轴承缺陷频率，其中包括轴承外滚道(BPFO)的滚珠通过频率，轴承内滚道(BPFI)的滚珠通过频率，轴承滚子(BSF)的滚珠旋转频率，以及第一谐波(在这篇文章中)的每个频率。这些缺陷频率的定义如下: 在哪里为圆柱滚子的数目，为轴转速，是接触角，和和分别为滚子直径和节距直径。每个defect-related带宽范围从来（)，其计算方法如下: 在这里,轴承试验台的错误率和为笼型频率。一旦识别出轴承故障带宽，就计算出三个不同的峭度值，对应于三个轴承故障频率(即bfo、BPFI和BSF)。得到子带信号的峰度值后，生成小波峰度图(图3)3.）.数字3.(a)为所提出的小波峭度图的频率尺度铺砌，图中为所提出的小波峭度图的频率尺度铺砌3.(b)给出了三个轴承故障频率(BPFO、BPFI、BSF)的颜色峰度图示例，代表了所有子带的峰度值。

最后，对于每个峰度图，选取峰度值最大的子带信号(即具有最具鉴别性故障特征的信号)提取轴承故障特征。在图3.(b)，使用虚线矩形突出显示所选峰度值最高的子带。

步骤2。在这个步骤中，10个时间域以及三种频域统计特征，从每个选定的子带信号中提取，如表1和2,分别。此外，我们计算了三个均方根(RMS)特征()为所选每个子带信号的包络谱中相应缺陷频率的前三个谐波，如表所示3.．这将导致一个特性池，该特性池总共包含的特性,为轴承故障类别的个数，是每种故障类型获得的声发射信号的数量，和为特征的总数。在这种情况下,为10 + 3 + 3 = 16，包含三个轴承缺陷频率(即BPFO、BPFI和BSF)的10个时域统计特征、3个频域统计特征和3个包络谱RMS特征(使用提取的小波峰图计算)。


参数	定义

均方根(）

振幅均方根(）

峰度(）

偏态(）

峰(）

波峰因子(）

冲动因子(）

保证金因子(）

形状因子(）

峰度系数(）


参数	定义

频率中心(）

均方根频率(）

根方差频率(）


参数	定义

一次谐波的均方根频率(）

次谐波的均方根频率(）

三次谐波的均方根频率(）

2．3.特征选择

本文提出了一种基于线性判别分析(LDA)技术和基于向量中值的判别准则(VMDC)的特征分析方法，从提取的故障特征中找到最具鉴别性的子集，从而实现准确的故障诊断。LDA是一种有监督的降维算法，利用类标签信息找到最优线性变换矩阵，将原始高维特征空间投影到低维表示上，同时保留有助于区分不同类的信息。让做一个数据集，哪里原来的维度是和吗样品数量在吗．每个样本属于某一类．让为课堂上的样本数,让为所有类的样本总数。然后，得到类内散射矩阵以及类间散射矩阵可以用(4)和(5),分别为: 在这里,样本的均值是否被标记为类和是所有样本的均值。LDA将原始变量的空间投影到()的维空间，通过最大化Fisher判别规则[18，其定义如下:

这个判别规则最大限度地提高了类间可分性与类内紧性的比率，方法是只选择数量较少的最具判别性的成分。然而，基于lda的特征分析方法在有效选择最佳鉴别分量数量以获得最佳分类性能方面存在一定的局限性。在现有的文献中，对于产生最高分类性能的LDA分量的最优数量并没有明确的共识。为了解决这一问题，我们提出了一种基于向量中值方法的鲁棒方法，以获得最优的LDA分量数目，从而最大限度地提高分类性能。为了确定每一类向量的中位数，本研究采用了一个利用欧几里得距离的累积距离准则。矢量中值类的定义为产生最小累积距离的数据点，定义如下:

一旦确定了所有类的向量中值，则使用(8)和(9),分别为: 在(8)，类的类内紧性由其向量中值到该类中其他样本的距离反映。另外,在(9)，类与其他类的类间可分性用该类的向量中值到其他类的向量中值的最小距离表示。通过平均这些距离测量值，最大限度地减小了特征空间中离群值的影响，提高了所提出的特征分析方法的识别能力。用于选择最优有用LDA分量数量的基于向量中值的判别准则定义如下:

２.４.故障分类

在本研究中，Naïve Bayes分类器[19]用于对轴承的各种单一故障和复合故障进行分类。之所以选择该分类器，是因为其简单、分类性能高、计算成本相对较低[19，20.］．Naïve贝叶斯分类器具有复杂性,在那里训练样本的总数是不是和是条件特性的数量。其他分类算法，如KNN、ANN和SVM，都很复杂，,分别为(20.］．此外，Naïve贝叶斯分类器在本质上是自适应的，不需要任何固定的参数(不同于其他分类算法)。

为了评价所提出的轴承故障综合诊断方法的广义分类性能，-折叠交叉验证(简历)[21是就业。在-cv，特征池被随机划分共同的子集(在这项研究中)。然后,在th的迭代-cv，其中一个子集用作测试数据集，另一个子集()子集用于训练Naïve贝叶斯分类器。分类性能是平均的的试验的简历。这种技术的优点是，无论我们如何划分数据，每个数据样本都在测试集中一次，并包含在训练集中()次。这样，分类结果的方差最小。为了验证该方法的分类性能，本文采用平均分类准确率(ACA)和真实阳性率(TPR)作为性能指标。这些定义在(11)和(12),分别为: 在哪里交叉验证折和的数量是多少和班级的真阳性和假阴性的数量是多少导致了th的迭代分别的简历。另外，真阳性数定义为类中样本的总数被准确地划分为阶级的．另外，假阴性数表示课堂上的样本数不属于．

3.实验装置

在本研究中，我们使用了韩国庆尚国立大学智能动力学实验室开发的实验试验台来验证所提出的故障诊断方法的性能，如图所示4．一种声发射(AE)传感器(WS类型，来自物理声学合作)，用于捕获连续声发射信号。表格3.介绍了本研究中所使用的数据采集系统的规格。

本研究使用的轴承为圆柱滚动元件类型(FAG NJ206-3-TVP2)。这些轴承嵌入了不同的轴承缺陷，如图所示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)。使用健康或无缺陷轴承(DFB)作为基线测量的参考。总共，在不同转速(300、350、400、450和500 rpm)下获得了八种类型的轴承故障信号，包括正常无缺陷轴承(作为基线)。在本研究中，针对每个轴承缺陷，以250 KHz的采样率，每10秒采集一次360个声发射故障信号。

(一)

(b)

(c)

(d)

(e)

(f)

(g)

4.实验结果

4．1.数据预处理

在本节中，我们研究并证明了声发射故障信号的预处理，以提高我们方法的分类性能。如前所述，本研究共调查了八种单一和复合轴承缺陷。数据6和7给出了四个数据集的最优LDA判别分量的特征分布。这些数据集是在两种不同的转速(即500 rpm和300 rpm)和两种不同的轴承裂纹尺寸(即3 mm和12 mm)下获得的。从图6，可见，未经预处理，故障特征没有很好地分离，分类区分差。例如，3mm裂纹长度和300rpm转速数据集的类簇重叠严重，导致分类错误率较高。相反，对原始信号进行预处理，得到预白化信号，可以减少簇间的重叠，提高簇间边界的分离。

(一)

(b)

(一)

(b)

同样,图7结果表明，原始信号的某些类簇之间的边界模糊不清，而预白化信号的边界更加清晰。这些结果强烈地表明，预白化信号能够强烈地投射出隐藏在轴承信号中的鉴别信息。在谱峰度分析中，谱能量的峰侧变化是原始信号无法精确聚类的原因之一。因此，需要进行预白化处理来提高不同聚类之间的分离，使分类更容易、更准确，即使使用Naïve Bayes分类器。

4．2．提出了基于vmdc的特征分析方法

为了验证所提出的特征分析方法的有效性，本研究对10个不同的数据集进行了特征选择性能(分类准确率)与原始LDA的比较，如图所示8和9．纵轴表示通过不同故障类型的分类结果计算出的平均分类精度的试验-cv，横轴表示所选LDA判别分量的个数。对于能够保证最高分类精度的LDA分量的适当数量并没有普遍的共识。如图所示8和9，当LDA判别分量达到7个时，LDA方法的分类精度最高。然而，也有一些例外。例如，在Figure中8(对于3毫米长度的裂纹数据集和450转/分钟的转速)，可以达到的最高精度是91.67%(与6个LDA组件);采用7个LDA分量得到的最高精度仅为90.83%。因此，对于每个研究来说，能够达到最大分类精度的LDA分量的数量必须通过经验来确定。与原LDA算法相比，所提出的特征分析方法总能表现出更好的平均分类准确率。例如，在图中9(对于一个12毫米长的裂纹数据集和300转/分钟的转速)，提出的方法产生了高达92.8%的分类精度，明显优于任何数量的组件LDA方法。这是因为我们的方法利用向量中值判别准则，自适应地选择最优的LDA分量数，使类间可分性和类内紧致性的比例最大化，从而在低维特征空间中获得最大的判别能力。这使得所提出的方法总能达到最佳的分类性能。这些结果的分析突出了本研究的主要贡献，从原始特征池中分析和选择最优的特征，以达到优于传统特征分析算法的分类性能。使用LDA方法，产生最佳分类结果的LDA组件的数量必须在数据集到数据集的基础上通过经验确定，而提出的基于vmdc的方法是自适应的。

4．3．分类性能

在本节中，我们将所提出的方法与其他最先进的特征分析方法(如PCA、ICA和LDA)的分类性能进行比较。利用的训练集确定PCA、ICA和LDA的最优分量数-cv折，并找出这些方法中产生最高精度的组件的数量。最终的分类结果，通过计算得到折叠的-cv，总结于表中4和5．我们采用两个评价指标:真阳性率(TPR)和平均分类准确率(ACA)。从表格中的数字来看4和5，很明显，对于本研究中所分析的所有数据集，所提出的特征分析方案始终优于传统的PCA、ICA和LDA方法。例如,表5结果表明，该方法对几乎所有轴承故障的TPR都在100%左右(除了BCR故障条件，其范围在93 - 97%之间，但仍高于PCA和ICA)。在表4，可以看出，与12 mm长度的裂缝数据相比，尽管3 mm长度的裂缝数据的特征聚类较差且分离不好，但该方法仍取得了较好的分类性能。这种较高的分类性能表明，与其他传统方法相比，该方法在特征分析方面更为有效。我们的方法也能在低维特征空间产生最大的区别。


基于PCI-2的声发射系统	(i) ADC: 18位，每通道最大40 MS/s (ii)频率响应:1 kHz-3 MHz(−3 dB点) (iii)采样速率:100 kS/s、200 kS/s、500 kS/s、1 MS/s、2 MS/s、5 MS/s、10 MS/s、20 MS/s、40 MS/s可供选择

WSα传感器	峰值灵敏度(V/栏):−62分贝工作频率范围:100-900千赫 (iii)共振频率:650khz

kS/s:每秒kSamples;MS/s:每秒MSamples。


	轴转速	在裂纹尺寸为3mm的情况下，每轴承故障的TPR								ACA
	轴转速	足协	BCI	BCO	BCR	BCOI	BCOR	BCIR	BCOIR	ACA

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


	轴转速	在12mm裂纹尺寸下，每轴承故障情况的TPR								ACA
	轴转速	足协	BCI	BCO	BCR	BCOI	BCOR	BCIR	BCOIR	ACA

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

提出了一种基于声发射分析的综合多故障诊断方法，用于检测滚动轴承的多个局部故障。该方法包括预白化步骤、基于小波峭度的特征提取、基于vmdc的有用特征选择和使用NB分类器进行故障分类。该方法的主要优点之一是利用增强的基于wpt的峭度图算法，在不了解轴承故障类型的前提下，自适应地识别出非平稳声发射信号中与故障特征相关的最敏感信息的子带。此外，本文提出的基于vmdc的鉴别特征分析方法能有效地识别最优特征，使其鉴别能力最大化。通过一个健康轴承和7个受损轴承在不同转速和不同模拟裂纹尺寸下的实验装置，对所提出的方法进行了评估。实验结果表明，在轴承转速为300 rpm、350 rpm、400 rpm、450 rpm和500 rpm时，所提出的多故障诊断方法分类准确率最高，分别达到91.11%、96.67%、98.89%、99.44%和98.61%。

利益冲突

作者声明本文的发表不存在利益冲突。

承认

本研究得到了韩国政府(MSIP)资助的韩国国家研究基金会(NRF)的资助。nrf - 2013 r1a2a2a05004566)。

参考文献

J. Antoni，“暂态故障检测峰度图的快速计算”，机械系统和信号处理第21卷第2期1，页108-124,2007。视图:出版商的网站|谷歌学者
N. Sawalhi, R. B. Randall，和H. Endo，“使用最小熵反卷积结合频谱峭度的滚动轴承故障检测和诊断的增强，”机械系统和信号处理第21卷第2期6, pp. 2616-2633, 2007。视图:出版商的网站|谷歌学者
T. Barszcz和R. B. Randall，“频谱峭度在探测风力涡轮机行星齿轮的齿裂中的应用”，机械系统和信号处理，第23卷，第2期。4，第1352-1365页，2009。视图:出版商的网站|谷歌学者
P. Boškoski, J. Petrovičič， B. Musizza, D. Juriičić，“利用振动分析检测电机轴承润滑不足”，摩擦学国际号，第43卷。9, pp. 1683-1692, 2010。视图:出版商的网站|谷歌学者
“基于频域峭度估计的非高斯信号检测”IEEE声学、语音和信号处理国际会议文集(ICASSP’83)，第607-610页，美国马萨诸塞州波士顿，1984年。视图:谷歌学者
J. Antoni和R. B. Randall，“光谱峰度:在旋转机器振动监测和诊断中的应用”，机械系统和信号处理，第20卷，第2期。2、2006年。视图:出版商的网站|谷歌学者
陈博，张志军，孙超，“利用改进的快速空间谱集合峰态图检测瞬态振动特征及其在旋转机械短时间数据机械特征分析中的应用”，机械系统和信号处理，第40卷，第5期。1, pp. 1 - 37, 2013。视图:出版商的网站|谷歌学者
L. Shi, R. B. Randall，和J. Antoni，“使用改进包络分析的滚动元件轴承故障检测”，刊于第八届国际旋转机械振动会议论文集，第301-311页，威尔士斯旺西，2004年9月。视图:谷歌学者
M. Kang, J. Kim, j - m。金，A. C. C. Tan, E. Y. Kim, B.-K。Choi，“使用具有核鉴别特征分析的独立训练支持向量机的低速轴承可靠故障诊断”，电力电子学报，第30卷，第2期5, pp. 2786-2797, 2015。视图:出版商的网站|谷歌学者
M. Kang, J. Kim, B.-K。崔和人类。Kim，“基于遗传算法的自适应滤波器组的包络分析用于轴承故障检测，”美国声学学会杂志第138卷第1期1、文章EL65, 6页，2015。视图:出版商的网站|谷歌学者
A.维多多和b.s。杨，“使用生存概率和支持向量机的机器健康预测，”专家系统与应用第38卷第2期7, pp. 8430-8437, 2011。视图:出版商的网站|谷歌学者
郭勇，娜娇，李斌，李荣富。关键词:滚动轴承，故障诊断，独立分量分析，包络提取，降维声学与振动学报第333期13, pp. 2983-2994, 2014。视图:出版商的网站|谷歌学者
J. Harmouche, C. Delpha, D. Diallo，“基于振动信号全局谱的滚动轴承故障诊断”，IEEE能源转换汇刊，第30卷，第2期1, pp. 376-383, 2015。视图:出版商的网站|谷歌学者
英国的巨大,统计模式识别导论，计算机科学与科学计算，学术出版社，波士顿，美国，1990。视图:MathSciNet
P. common，“独立成分分析，一个新概念?”信号处理第36卷第2期3，页287 - 314,1994。视图:出版商的网站|谷歌学者
g . j .克劳克兰判别分析与统计模式识别，威利，纽约，纽约，美国，1992。视图:出版商的网站|MathSciNet
丛飞，陈建军，董国栋，“基于谱峭度的滚动轴承故障诊断与状态监测”，机械科学与技术第26卷第2期2, pp. 301-306, 2012。视图:出版商的网站|谷歌学者
K. Mardia J. Kent和J. Bibby，多变量分析，学术出版社，英国伦敦，1979年。视图:MathSciNet
J. Vaidya, M. Kantarcıoğlu, C. Clifton，《隐私保护Naïve贝叶斯分类》，VLDB日报，第十七卷，第二期4，第879-898页，2008。视图:出版商的网站|谷歌学者
杨绍明。关铭Wang R.， Wang S. Kwong和x - z。基于概率密度估计的贝叶斯分类器及其在故障诊断中的应用信息科学，第259卷，第252-268页，2014。视图:出版商的网站|谷歌学者|MathSciNet
J. Rodriguez, A. J. Perez, and J. Lozano，“k-fold交叉验证在预测误差估计中的敏感性分析”，模式分析与机器智能学报，第32卷，第2期3，页569-575,2010。视图:出版商的网站|谷歌学者

冲击和振动

关键部件的故障诊断与预测

摘要

1.介绍

2.提出了轴承故障诊断方法

2．1．预处理

2．2．特征提取

2．3.特征选择

２.４.故障分类

3.实验装置

4.实验结果

4．1.数据预处理

4．2．提出了基于vmdc的特征分析方法

4．3．分类性能

5.结论

利益冲突

承认

参考文献

版权

更多相关文章

相关文章