KPCA和耦合隐马尔科夫模型在轴承故障诊断中的应用

被引：39

作者：

刘韬 ^{[1
,2
]}

陈进 ^{[2
]}

董广明 ^{[2
]}

机构：

[1] 昆明理工大学机电工程学院

[2] 上海交通大学机械系统与振动国家重点实验室

来源：

振动与冲击 | 2014年 / 33卷 / 21期

关键词：

核主成分分析; 耦合隐马尔可夫模型; 滚动轴承; 故障诊断;

D O I：

10.13465/j.cnki.jvs.2014.21.014

中图分类号：

TH133.3 [轴承]; TH165.3 [];

学科分类号：

082805 [农业机械化与装备工程];

摘要：

针对多通道数据的有效融合能够更加准确地诊断轴承的故障,提出了一种基于KPCA和耦合隐马尔可夫模型(CHMM)的轴承故障诊断方法。首先,分别对轴承各通道的振动信号进行特征提取,获得特征向量。然后采用KPCA对各通道的特征向量分别进行特征约减,获取主要的信息成分。最后,利用CHMM对多通道信息进行融合和故障诊断。通过对滚动轴承在正常、内圈故障、外圈故障和滚动体故障状态下实验数据的分析表明,该方法能够更加有效地诊断轴承的故障。

引用

页码：85 / 89

页数：5

共 9 条

[1]

基于最优Morlet小波和隐马尔可夫模型的轴承故障诊断 [J].

张锐戈 ;

谭永红 .

振动与冲击, 2012, 31 (12) :5-8+27

[2]

基于CHMM的齿轮箱状态识别研究 [J].

滕红智 ;

赵建民 ;

贾希胜 ;

张星辉 ;

王正军 .

振动与冲击, 2012, 31 (05) :92-96+127

[3]

基于CHMM的设备性能退化评估方法研究 [D].

朱义 .

上海交通大学,

2009

[4]

Bearing performance degradation assessment using locality preserving projections and Gaussian mixture models [J].

Yu, Jianbo .

MECHANICAL SYSTEMS AND SIGNAL PROCESSING, 2011, 25 (07) :2573-2588

[5]

Machinery fault diagnosis using supervised manifold learning [J].

Jiang, Quansheng ;

Jia, Minping ;

Hu, Jianzhong ;

Xu, Feiyun .

MECHANICAL SYSTEMS AND SIGNAL PROCESSING, 2009, 23 (07) :2301-2311

[6]

Bearing condition diagnosis and prognosis using applied nonlinear dynamical analysis of machine vibration signal.[J].S. Janjarasjitt;H. Ocak;K.A. Loparo.Journal of Sound and Vibration.2008, 1

[7]

Cyclic spectral analysis of rolling-element bearing signals: Facts and fictions.[J].J. Antoni.Journal of Sound and Vibration.2007, 3

[8]

Decision tree and PCA-based fault diagnosis of rotating machinery.[J].Weixiang Sun;Jin Chen;Jiaqing Li.Mechanical Systems and Signal Processing.2006, 3

[9]

Bearing fault diagnosis based on wavelet transform and fuzzy inference.[J].Xinsheng Lou;Kenneth A Loparo.Mechanical Systems and Signal Processing.2003, 5

← 1 →