基于LMD-CM-PCA的滚动轴承故障诊断方法

作者：付云骁; 贾利民; 秦勇; 杨杰

来源：振动.测试与诊断, 2017, 37(02): 249-401.

DOI：10.16450/j.cnki.issn.1004-6801.2017.02.006

• 局部均值分解
• 融合相关熵矩阵
• 主成分分析
• 滚动轴承
• 故障诊断
• 可视化

为提高在非平稳工况下对滚动轴承故障的直观辨识能力,笔者提出基于LMD-CM-PCA的故障诊断方法。首先,对滚动轴承振动信号进行局部均值分解(local mean decomposition,简称LMD),提取乘积函数(product function,简称PF)矩阵;然后,计算PF矩阵与原振动信号的皮氏相关系数(pearson product-moment correlation coefficient,简称PPCC),将PFs对应的PPCC代入相关熵模型得到PF的相关熵矩阵(correntropy matrix,简称CM),CM经主成分分析(principal component analysis,简称PCA)进行特征变换得到融合相关熵矩阵(integrated correntropy matrix,简称ICM)。分别在轻微和严重故障时,对滚动轴承不同工况下的振动样本进行交叉混合,并计算其ICM。结果证明,ICM在可视维度比传统特征(如:能量矩和谱峭度)的融合特征更能隔离工况对故障可分性的干扰。LMD-CM-PCA方法为滚动轴承故障的直观辨识提供了技术支持,在故障诊断方面具有良好的应用前景。

• 单位
  轨道交通控制与安全国家重点实验室; 北京交通大学