科研之友
微信
新浪微博
Facebook
分享链接
摘要
针对神经网络的识别一直停留在静态模式识别上的不足,釆用一种近年来发展较快的动态模式识别技术—隐马尔科夫模型分析齿轮箱振动信号。首先提取齿轮箱振动信号在时域、频域和时频域的统计特征,组成34维全特征矢量,训练了一组全特征-隐马尔科夫模型库;再通过主分量分析技术对全特征矢量进行降维处理,取其吸收信息量98%以上的前7个主分量组成主分量特征矢量,训练了另外一组主分量-隐马尔科夫模型库。分别用两组独立的模型库进行齿轮箱故障识别。结果表明,全特征-隐马尔科夫模型库对齿轮正常、齿轮断齿的识别准确率为97.9%,对齿轮点蚀的识别准确率为100%,程序运行耗时22.328 s,主分量-隐马尔科夫模型库对齿轮点蚀的和齿轮断齿识别准确率均达到100%,程序运行耗时4.879 s。振动信号特征的降维处理没有降低故障的识别率,反而提升了故障识别准确率,同时大大提升了程序运行速度,这对机械系统故障诊断具有重要意义。
- 单位
