采用概率主成分分析的回转支承寿命状态识别

被引：20

作者：

陆超

陈捷

洪荣晶

机构：

[1] 南京工业大学机械与动力工程学院

来源：

西安交通大学学报 | 2015年 / 10期

关键词：

回转支承; 性能退化; 概率主成分分析; 支持向量机; 状态识别;

D O I：

暂无

中图分类号：

TH165.3 [];

学科分类号：

摘要：

针对回转支承故障特征微弱以及难以提取的特点,提出一种基于概率主成分分析(probabilistic principal component analysis,PPCA)的多领域特征提取方法。该方法从振动信号的时域和时频域中提取出多个能够表征回转支承运行状态的特征向量,并将其组成高维特征集。采用PPCA从高维特征集中提取出最能够反映回转支承寿命状态信息的特征量,将其输入粒子群算法优化的支持向量机中进行寿命状态的识别。通过回转支承全寿命实验证明,基于PPCA的特征提取方法优于传统的主成分分析(principal component analysis,PCA),其相应的寿命状态识别精度提高了约8%,并且多领域、多变量的特征更能全面反映回转支承的性能退化趋势。与传统的特征提取方法相比,所提方法能够更全面有效地反映复杂恶劣环境下回转支承的故障信息,因此可以用于回转支承的健康监测领域。

引用

页码：90 / 96

页数：7

共 14 条

[1]

基于萤火虫神经网络的轴承性能退化程度评估 [J].

刘永前 ;

徐强 ;

田德 ;

龙泉 .

机械传动, 2014, 38 (05) :107-109+131

[2]

IMF能量和RBF神经网络相结合在滚动轴承故障诊断中的应用研究 [J].

张梅军 ;

王闯 ;

陈灏 .

机械, 2012, 39 (06) :63-66+70

[3]

IMF分量的倒频谱分析在滚动轴承故障诊断中的应用 [J].

张梅军 ;

韩思晨 ;

石文磊 ;

王闯 .

液压气动与密封, 2012, 32 (03) :33-35

[4]

Structural safety criteria for blasting vibration based on wavelet packet energy spectra [J].

Zhong G. ;

Li J. ;

Zhao K. .

Mining Science and Technology, 2011, 21 (01) :35-40

[5]

Condition assessment for the performance degradation of bearing based on a combinatorial feature extraction method[J] Sheng Hong;Zheng Zhou;Enrico Zio;Kan Hong Digital Signal Processing 2014,

[6]

Degradation Trend Estimation and Prognosis of Large Low Speed Slewing Bearing Lifetime[J] Anwar Johari;B.B. Nyakuma;A. Ahmad;T.A. Tuan Abdullah;M.J. Kamaruddin;R. Mat;A. Ali Applied Mechanics and Materials 2014,

[7]

Circular domain features based condition monitoring for low speed slewing bearing[J] Wahyu Caesarendra;Buyung Kosasih;Anh Kiet Tieu;Craig A.S. Moodie Mechanical Systems and Signal Processing 2014,

[8]

Bearing degradation process prediction based on the PCA and optimized LS-SVM model[J] Shaojiang Dong;Tianhong Luo Measurement 2013,

[9]

ANN based Evaluation of Performance of Wavelet Transform for Condition Monitoring of Rolling Element Bearing[J] H.S. Kumar;P. Srinivasa Pai;N.S. Sriram;G.S. Vijay Procedia Engineering 2013,

[10]

Non-linear multivariate and multiscale monitoring and signal denoising strategy using Kernel Principal Component Analysis combined with Ensemble Empirical Mode Decomposition method[J] Mechanical Systems and Signal Processing 2011,

← 1 2 →