基于类间可分性判据和KNNC的滚动轴承故障诊断_免费论文全文下载

申明:本网站内容仅用于学术交流，如有侵犯您的权益，请及时告知我们，本站将立即删除有关内容。

摘 要：为准确识别滚动轴承不同类型的故障，提出一种基于类间可分性判据和K近邻分类器（KNNC）的故障诊断方法。该方法首先从时域、频域、时频域构造原始故障特征集；然后运用类间可分性判据从原始特征集中选择出其中利于分类的敏感特征。最后将敏感特征输入KNNC，识别故障类型。用滚动轴承一组故障特征数据集进行验证。结果表明，本方法能有效提取出原始特征集中的敏感特征，为实现滚动轴承的故障划分问题，提供了一种新途径。

关键词：故障诊断；类间可分性判据；K近邻分类器
中图分类号：TH165 文献标识码：A 文章编号：1671-2064（2017）11-0081-02
滚动轴承作为旋转机械的核心应用部件，其工作质量的好坏将会对整台设备产生重要影响[1]。据统计，旋转机械中的故障大部分是由滚动轴承引起的。因此，开展滚动轴承的故障诊断意义重大。
在进行滚动轴承故障诊断时，为了获取较高的诊断精度，就必须获取尽可能多的故障信息，此时基于时域、频域及时频域的故障特征提取就具有较强优势[2]。但是该方法在获得敏感信息的同时也势必会引入大量的干扰特征。因此如何获取敏感信息的特征选择问题已成为滚动轴承故障诊断的重要研究方向，如Kappaganthu等人[3]利用互信息算法��滚动轴承的时域、频域和时频域特征进行敏感性评估，基于神经网络分类器识别结果表明这些敏感特征能有效识别出轴承内圈和外圈故障；雷亚国等人[4]提出一种改进的距离评估技术，该方法能够从大量原始特征集中剔除不相关特征、保留敏感特征，从而有效提升了自适应神经模糊推理系统的诊断精度。江丽[5]提出了边界Fisher分析分值，该方法剔除了原始特征集中的不相关及冗余特征，得到的敏感特征子集大大支持向量机的诊断性能。这些研究成果为特征选择算法在滚动故障诊断中的应用开辟了新的思路。
基于上述分析，本文以滚动轴承典型故障状态为研究对象，提出基于类间可分性算法和K近邻分类器（KNNC）的故障诊断方法，对描述滚动轴承运行状态的敏感特征集的构造以及解决故障划分问题的方法进行探讨。欲为基于数据驱动方法实现滚动轴承故障诊断，提供参考依据。
1 基本算法
1.1 类间可分性算法
对于输入空间的数据X={xi|i=1，2，…，n；xi∈Rd}，类别属性Cf∈（1，2，…，e）。类间可分性算法首先求解每个特征的总类内离差矩阵Sw和总类间离差矩阵Sb见式（1）和（2）。然后通过Sb和Sw的比值得出每个特征的可分性指标J见式（3）
式中：g（h）为总体样本X的第h维特征的均值；pi为Xc∈X的频率。
1.2 K近邻分类器
KNNC作为一种非参数分类方法，以其简单直观，分类特性好，时效性强等优点[6]，在故障诊断方面得到了广泛应用[7-8]。
设输入空间的数据集为X={xi|i=1，2，…，n；xi∈Rd}，类别属性Cf∈（1，2，…，e），KNNC首先基于欧氏距离选取与测试样本xi最近的k个训练样本xj见式（4）
2 基于类间可分性和KNNC的滚动故障诊断方法设计
基于类间可分性和KNNC的故障诊断方法流程见图1，具体步骤如下：
Step1：对消噪后的滚动轴承振动信号按表1进行故障特征提取。
Step2：将故障特征集随机分成训练样本及测试样本。首先应用类间可分性算法对训练样本特征集进行特征评估得到每个特征的分类敏感度，将特征按敏感度降序排列。然后将特征按敏感度大小输入KNNC得到识别正确率，直到满足终止条件（a.诊断精度达到100%；b.完成循环后取得最高识别正确率所对应的特征数）。
3 实验验证
本文数据来源于美国凯斯西储大学电气工程实验室的滚动轴承实验数据[9]。轴承型号为SKF公司的6205-RS深沟球轴承，内径为25mm，外径为52mm，厚度为15mm。在采样频率为48kHZ，转速为1750r/min情况下，通过轴承座上的加速度传感器拾取振动信号。本文以采样频率0.1s的采样个数为一组，分别测取损伤尺寸为0.1778mm的轴承外圈、轴承内圈、滚动体故障及正常状态下的振动信号各100组，以其中的20组作为训练样本，剩余的80组样本作测试样本。
按照节3所示的故障诊断流程，得出基于类间可分性对每个特征的敏感度评估见图2。按照敏感度将特征集按降序排列，并将特征依次输入加权KNNC识别测试样本的分类精度，由于输入完所有特征后都没有得到最优分类精度100%，因此根据第二个终止条件，得出敏感度最高的15个特征得到最佳分类正确率98.75%（见故障类别的识别率见表2），此时选择出的敏感特征见图2。
为了验证类间可分性特征选择的效果，本文将原始特征集输入了KNNC得到的识别结果见表2。从表2中可以看出，基于类间可分性判据特征选择的敏感特征要明显优于只将原始特征导入KNNC，这是因为原始特征集的无用故障信息对故障分类进行了干扰。
4 结语
（1）基于时域、频域及时频域的特征提取能较好的反映故障特征的基本信息。
（2）类间可分性算法能够给故障特征给出最为合适的评价。
（3）基于类间可分性算法和KNNC的故障诊断方法能有效提升敏感特征在分类中的作用，有效实现了滚动轴承不同类型的故障诊断。
参考文献
[1]褚福磊，彭志科，冯志鹏，等.机械故障诊断中的现代信号处理方法[M].北京：科学出版社.2009.
[2]王雪冬.赵荣珍.邓林峰.基于KSLPP与RWKNN的旋转机械故障诊断[J].振动与冲击，2016，35（8）：219-223.
[3]K. Kappaganthu， C. Nataraj. Feature Selection for Fault Detection in Rolling Element Bearings Using Mutual Information[J]. Journal of Vibration and Acoustics-Transactions of The ASME，2011，133（6）.
[4]雷亚国，何正嘉，訾艳阳.基于混合智能新模型的故障诊断[J].机械工程学报，2008，44（7）：112-117.
[5]江丽.基于流形学习的智能诊断方法研究[D].博士学位论文，武汉：华中科技大学，2013.
[6]胡智，段礼祥，张来斌.优化KNNC算法在滚动轴承故障模式识别中应用[J].振动与冲击，2013，32（22）：85-87.
[7]李锋，汤宝平，陈法法.基于线性局部切空间排列维数化简的故障诊断[J].振动与冲击，2012，31（13）：36-40.
[8]D.H. Pandya， S.H. Upadhyay， S.P. Harsha. Fault diagnosis of rolling element bearing with intrinsic mode function of acoustic emission data using APF-KNN[J]. Expert Systems with Applications， 40（2013），4137-4145.

本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系，我们将在24小时内删除。QQ:522-52-5970