基于振动信号显著性序列的滚动轴承状态诊断方法研究

作     者：刘志翔 朱明 付铭 梅杰 徐惠 聂德鑫 李永祥 LIU Zhi-xiang;ZHU Ming;FU Ming;MEI Jie;XU Hui;NIE De-xin;LI Yong-xiang

作者机构：国网山西省电力公司电力科学研究院山西太原030001 华中科技大学电子信息与通信学院湖北武汉430074 南瑞集团(国网电力科学研究院)有限公司江苏南京211106 国网电力科学研究院武汉南瑞有限责任公司湖北武汉430074 

出 版 物：《机电工程》 (Journal of Mechanical & Electrical Engineering)

年 卷 期：2021年第38卷第8期

页      面：944-951页

学科分类：08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：国家电网有限公司科技资助项目(SGSXDK00SPJS1900141) 

主　　题：振动信号 滚动轴承状态诊断 显著性序列 谱残差 机器学习 

摘      要：为提升基于时域信号的滚动轴承状态诊断准确率,提出了一种基于振动信号显著性序列的滚动轴承状态诊断方法。首先,将采集得到的振动信号归一化后进行了傅里叶变换,得到对数幅度谱和平均对数谱,并将二者相减获得了信号的谱残差;然后,对谱残差通过傅里叶逆变换映射回时间域,得到了信号的显著性序列;最后,将显著性序列输入到状态诊断模型中,对滚动轴承运行状态进行了分类,实现了对滚动轴承的状态诊断。实验及研究结果表明:相对于原振动信号,显著性序列可以有效地提高分类准确率,特别是对信噪比(SNR)较差的振动信号,如混有-6 dB的高斯白噪声,以支持向量机(SVM)及卷积神经网络(CNN)分别作为状态诊断模型,显著性序列的状态诊断准确率较原振动信号可分别提高9%和10.75%;对于利用卷积神经网络的状态诊断模型,显著性序列还能有效缩短网络模型训练时间,提高系统的时效性。