论文部分内容阅读
滚动轴承被称作旋转机械的“心脏”,同时也是旋转机械中最容易受损的部件之一。为了实时、准确、高效地识别滚动轴承的运行状态,结合机器学习的手段对滚动轴承实施故障诊断意义重大。然而,传统的振动信号故障诊断方法需要安装振动传感器从而对机械设备造成损伤。针对这一问题,本文将旋转机械运行时的噪声信号作为轴承状态的监测信号,利用噪声信号非接触式测量的优点,克服了振动信号故障诊断方法的不足。本文对滚动轴承噪声信号的特征提取、特征筛选以及故障分类算法进行了研究,提出了一种基于MFCC-CDET的滚动轴承故障噪声诊断算法。将美尔倒谱系数(MFCC)作为噪声信号的特征向量,引入补偿距离评估技术(CDET)进行特征筛选,将筛选后的特征输入支持向量机(SVM)分类器进行故障分类,并通过实验验证了这一方法的有效性与优越性。针对滚动轴承状态监测初期,样本库中没有故障样本的情况下有监督分类算法无法施展的问题,采用机器学习中无监督的异常检测算法,将样本库中存在的正常样本视作目标样本,引入单高斯模型对正常样本集进行边界建模,用于滚动轴承异常状态检测。将基于单高斯模型的边界建模算法与基于支持向量描述(SVDD)的边界建模算法进行对比,证明其优越性。针对滚动轴承状态监测中期,样本库中存在多类故障样本的情况下有监督分类算法无法识别新异故障的问题,将样本库中存在的多类样本视作目标样本,引入高斯混合模型对多类样本集进行边界建模,用于滚动轴承新异故障识别,通过与单高斯模型进行对比,验证了高斯混合模型在对多类目标样本进行边界建模时的优越性。将高斯混合模型的新异故障识别功能与分类功能相结合,提出了一种基于MFCC与高斯混合模型的滚动轴承新异故障识别与故障分类算法,并通过实验验证了该方法的有效性与可行性。