基于异常检测算法的滚动轴承性能退化评估

摘要

在工业过程中旋转机械的健康状况是保证机械设备可靠性的关键。其中轴承是旋转机械中常用的部件并且是其工作失效的主要故障源。由于轴承在运转过程中其状态会经历从正常到失效的过程，如果能够实时监测轴承的运行状态就可以预防轴承故障的发生，从而避免不必要的经济损失。本文采用小波包分解加自回归模型（AR）的理论和方法对滚动轴承的振动信号进行特征提取，再用异常检测算法对滚动轴承的性能进行评估，具体工作内容如下： （1）针对传统的时域特征存在对特征信息的挖掘有限，监测效果不足等问题，本文对滚动轴承早期无故障数据和失效数据建立AR模型，并提取AR模型的系数和残差以及小波包分解的节点能量值作为特征向量输入到后续退化评估模型中。 （2）针对基于模糊C均值（FCM）等统计距离型异常检测模型没有确定的上限值，而基于隐马尔科夫模型等的概率相似度异常检测算法又常常出现提前饱和现象，提出了一种FCM-HMM性能退化评估模型，提取特征后，把待测数据输入建立好的HMM和FCM模型中得到的退化指标P和DI作为两列输入特征，输入到建立好的FCM模型中，该融合模型集中了空间统计距离和相似度方法两者的优势，并且该模型能实现滚动轴承的性能退化评估过程；最后用EEMD和Hilbert包络解调相结合的解调分析方法，通过包络谱与轴承故障特征频率的对比来验证性评估结果的正确性。 （3）为了证明FCM-HMM模型的适用性，本文用IEEE PHM2012和风力涡轮发电机（WTG）组高速轴承两组试验对此模型进行验证，结果表明FCM-HMM模型在滚动轴承的性能退化评估方面表现出明显的优势。最后将 FCM-HMM 模型与基于模型重构的异常检测算法相对比，体现出融合型异常检测算法的优越性。

目录

第一个书签之前