基于多域特征及多传感器网络融合的滚动轴承故障诊断-论文.pdf

《基于多域特征及多传感器网络融合的滚动轴承故障诊断-论文.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、!望二Z鱼轴承2015年2期Bearing2015，No．253—58CN41—1148／TH●测量与仪器基于多域特征及多传感器网络融合的滚动轴承故障诊断任学平，辛向志，庞震，邢义通，王建国(内蒙古科技大学机械工程学院，内蒙古包头014010)摘要：将幅值域无量纲参数和时频域信息熵作为概率神经网络的特征向量，构建多传感器系统概率神经网络的初级诊断网络，并利用概率神经网络累加层输出结果构建Dempster—Shafer证据理论的mass函数，通过Demp—ster—Shafer证据理论进行决策级融合诊断。将该方

2、法用于滚动轴承故障模式分类，并通过实验室及现场实例验证了该方法的可行性与有效性。关键词：滚动轴承；故障诊断；信息熵；概率神经网络；证据理论；融合中图分类号：TH133．33；TP277文献标志码：A文章编号：1000—3762(2015)02—0053—06FaultDiagnosisforRollingBearingsBasedonMulti——DomainFeaturesandMulti——SensorNetworksFusionRenXueping，XinXiangzhi，PangZhen，XingYi

3、tong，WangJianguo(MechanicalEngineeringSchool，InnerMongoliaUniversityofScience&Technology，Baotou014010，China)Abstract：Thedimensionlessparametersofamplitudedomainandinformationentropyintime一~equencydomainaretakenasfeaturevectorofprobabilisticneuralnetwork，and

4、theprimarydiagnosisnetworkofmuhi—sensorsystemprob—abilisticneuralnetworksisconstructed．ThemassfunctionsofD—Sevidencetheoryarebuiltusingoutputofaccumula—tionlayerofprobabilisticneuralnetwork．ThefusiondiagnosisofdecisionleveliscarriedoutbyD—Sevidencetheory．Th

5、emethodisappliedtofaultpatternclassificationforrollingbearing，andthefeasibilityandeffectivenessofmethodareverifiedthroughexamplesoflaboratoryandworksite．Keywords：rollingbearing；faultdiagnosis；informationentropy；probabilisticneuralnetwork；evidencetheory；fusi

6、on通过对滚动轴承运转状态进行检测与诊断，理方法分析轴承的故障特征。单一传感器只能从进而进行预知维修，可以使机械设备运行可靠性某一角度反映轴承的振动特征，获得的信息也是大大提升。在实际应用中，对于轴承结构与故障片面的。而多传感器技术及信息融合技术应用多机理的了解，将有助于利用现代分析手段对各种个传感器获得不同角度的信息，再将其综合、关联故障进行有效的诊断¨J。估计，为全面、综合的轴承故障诊断提供了可能。通常对轴承的故障诊断只是利用单一传感器因此，综合多传感器系统的优点，利用轴承多域特采集到的振动信号进行分析，

7、通过不同的信号处征作为特征向量，通过概率神经网络(ProbabilisticNeuralNetwork，PNN)进行初级诊断，然后由收稿日期：2014—07—28；修回日期：2014—11—03Dempster—Shafer(D—S)证据理论进行决策层融基金项目：国家自然科学基金项目(21366017)；内蒙古自治区自然科学基金项目(2012MS0717)。合诊断，可以提高故障诊断精度。作者简介：任学平(1963一)，男，河北阳原人，汉族，博士，教授，副院长，主要从事机械工程测试与故障诊断研究；辛1基本理论向

8、志(1989一)，男，汉族，内蒙古赤峰人，硕士研究生，主要从事机械故障诊断与信息融合技术研究，E—mail：xinxian—1．1滚动轴承信号特征提取gzhi@126．corn。振动信号的幅值域无量纲参数可以有效反映·54·《轴承>2015．No．2轴承的故障特征，是特征提取的一种方法。轴承分下的不确定性。轴承故障越严重，振动信号能的不同故障信号表现形式及包含的信息量不同，量越集中，正常状态下能量最