基于MTS的设备状态特征识别与优选

被引：1

作者：

王宁 ^{[1
,2
]}

孙树栋 ^{[1
]}

李淑敏 ^{[1
]}

Saygin Can ^{[2
]}

机构：

[1] 西北工业大学机电学院现代设计与集成制造教育部重点实验室

[2] 德州大学圣安东尼奥分校制造系统与自动化实验室

来源：

机械科学与技术 | 2012年 / 31卷 / 05期

关键词：

设备状态; 特征变量优选; 马氏田口法; 滚动轴承;

D O I：

10.13433/j.cnki.1003-8728.2012.05.023

中图分类号：

TH165.3 [];

学科分类号：

080202 ;

摘要：

针对传统数据挖掘方法中对于估计设备状态假设条件过多的问题,提出了基于马氏田口法(mahalanobis-taguchi system,MTS)的设备状态特征变量识别与优选方法。将马氏距离作为描述空间的单位量,基于正常样本建立特征变量基准空间;通过特征变量正常样本与异常样本马氏距离的对比对基准空间的有效性进行验证;利用正交表和信噪比分析对特征变量进行优选,剔除对状态识别结果影响不显著的特征变量;以微型数控铣床主轴上的滚动轴承为例搭建实验平台,证明通过该方法所选特征变量对滚轴运行状态具有较强的表征能力。

引用

页码：753 / 759

页数：7

共 14 条

[1] 评价计测仪器精度的一种新方法 [J].

钟晓芳 ;

韩之俊 .

计量与测试技术, 2004, (06) :27-28

[2]

Model for the vibration produced by a single point defect in a rolling element bearing. P.D. McFadden,J. D. Smith. Journal of Sound and Vibration . 1984

[3] 零件形状误差的MTS测量识别方法 [J].

王雪 ;

李勇 ;

不详 .

电测与仪表 , 2004, (05) :7-10+6

[4] 主元分析方法在航空发动机故障检测与诊断中的应用 [J].

杨帆 ;

胡金海 ;

陈卫 ;

张进 ;

蔡开龙 .

机械科学与技术, 2008, (03) :330-333

[5]

Edirisinghe decision making for predictivemaintenance in asset information management. Faiz R B,Eran A. Interdiscipli-nary Journal of Information,Knowledge,and Manage-ment . 2009

[6]

Fault Prognostics Using DynamicWavelet Neural Networks. Wang P,Vachtsevanos G. AI in Equipment Service . 2000

[7]

Feature fusion and degradation using self-organi-zing map. Qiu H,Lee J. Proceedings Machine Learning and Applica-tions . 2004

[8]

The Mahalanobis-Taguchi Strategy-aPattern Technology System. Taguchi G,Jugulum R. . 2002

[9]

A new bearing fault detection and diagnosis schemebased on hidden markov modeling of vibration signals. Ocak H,et al. Acous-tics,Speech,and Signal Processing,Proceedings ICASSP . 2001

[10]

A Neuro-Fuzzy Approach for Estimating MeanResidual Life in Condition-Based Maintenance Systems. R.B. Chinnam,P. Baruah. International Journal of Materials and Product Technology . 2004

← 1 2 →