基于多特征融合的轴承故障诊断方法

旋转机械设备轴承的转速会随工作环境变化而波动,该波动会干扰故障特征提取。为了更准确地识别出轴承故障在不同转速下引发的信号微弱变化,提出一种基于多特征融合的轴承故障诊断方法。该研究基于声发射信号,采集了三种转速下轴承的内圈故障、外圈故障和滚动体故障数据。首先,将一维声发射时序信号通过小波变换(WT)和灰度化处理转换为二维灰度图像。其次,将二维图像作为特征图,输入到优化后的梯度方向直方图(HOG)、局部二值模式(LBP)及深度神经网络(CVGG16)中进行特征提取,构建HLV模型以得到特征图的全方位、多层次信息。最后,将HLV模型提取到的三类特征进行多特征串行融合,采用主成分分析(PCA)对融合后的特征进行降维,提升检测速率;使用支持向量机(SVM)学习算法训练分类模型,进而实现轴承的故障诊断。研究结果表明:HLV特征提取模型与其他单一模型相比可以得到更有效的故障特征,准确率为97.50%,采用的PCA可提升训练速率;所提WHLVS轴承故障诊断方法相较于其他方法具有优越性,精确率高达97.52%;在三种公开数据集上的评估指标P、R、F1、mAP均在94%以上,验证了该方法的可靠性和应用潜力。

资料为PDF文档格式.

本文档关键词:轴承,融合,特征,故障诊断