基于局部特征尺度分解和核最近邻凸包分类算法的滚动轴承故障诊断方法

作     者：杨宇 曾鸣 程军圣 YANG Yu;ZENG Ming;CHENG Jun-sheng

作者机构：湖南大学汽车车身先进设计制造国家重点实验室湖南长沙410082 

基　　金：国家自然科学基金资助项目(51075131 51175158) 湖南省自然科学基金资助项目(11JJ2026) 湖南大学汽车车身先进设计制造国家重点实验室自主研究课题(60870002) 中央高校基本科研业务费专项基金资助项目(531107040301) 

出 版 物：《振动工程学报》 (Journal of Vibration Engineering)

年 卷 期：2013年第26卷第1期

页      码：118-126页

摘      要：提出了一种基于局部特征尺度分解(Local characteristic-scale decomposition,LCD)和核最近邻凸包(Kernelnearest neighbor convex hull,KNNCH)分类算法的滚动轴承故障诊断方法。采用LCD方法对滚动轴承原始振动信号进行分解得到若干内禀尺度分量(Intrinsic scale component,ISC),然后将这些ISC分量组成初始特征向量矩阵,再对该矩阵进行奇异值分解,提取奇异值作为故障特征向量并输入到KNNCH分类器,根据其输出结果来判断滚动轴承的工作状态和故障类型。LCD方法是一种新的自适应时频分析方法,非常适用于非平稳信号的处理,而KNNCH算法是一种基于核函数方法,并将凸包估计与最近邻分类思想相融合的模式识别算法,可直接应用于多类问题且需优化的参数只有核参数。实验分析结果表明,所提出的方法能有效地提取滚动轴承故障特征信息,而且在小样本的情况下仍能准确地对滚动轴承的工作状态和故障类型进行分类。同时,与支持向量机(Support vec-tor machine,SVM)算法的对比分析结果表明,KNNCH算法的分类性能的稳定性要高于SVM算法。

主 题 词：滚动轴承 故障诊断 局部特征尺度分解 核最近邻凸包分类算法 奇异值分解 

学科分类：1002[医学-临床医学类] 080202[080202] 08[工学] 0805[工学-能源动力学] 0813[工学-化工与制药类] 0802[工学-机械学] 0814[工学-地质类] 0825[工学-环境科学与工程类] 0801[工学-力学类] 0702[理学-物理学类] 

核心收录：

D　O　I：10.3969/j.issn.1004-4523.2013.01.018

馆 藏 号：203458025...