改进VPMCD法及其在机械故障诊断中的应用

中国机械工程 ›› 2015, Vol. 26 ›› Issue (14): 1861-1865.

改进VPMCD法及其在机械故障诊断中的应用

贾民平;韩冰

东南大学,南京,211189

出版日期:2015-07-25 发布日期:2015-08-05
基金资助:
国家自然科学基金资助项目（51075070);高等学校博士学科点专项科研基金资助项目(20130092110003）

A Pattern Recognition Method Based on Fusion of Time Series Analysis with VPMCD and Its Application in Machinery Fault Diagnosis

Jia Minping;Han Bing

Southeast University,Nanjing,211189

Online:2015-07-25 Published:2015-08-05
Supported by:
National Natural Science Foundation of China（No. 51075070）;Research Fund for the Doctoral Program of Higher Education of China（No. 20130092110003）

摘要/Abstract

摘要：

提出了一种基于时序AR模型的VPMCD(基于变量预测模型的模式识别)故障诊断方法:利用时序分析方法对故障信号建立AR模型，以蕴含故障特征的自回归参数作为故障特征量,采用VPMCD方法训练得到各故障特征量的预测模型,并利用预测模型对待诊断样本的故障类型和工作状态进行分类和识别。对滚动轴承和齿轮的振动信号的分析结果证明了该方法的有效性，与基于EMD的VPMCD法和基于AR的KNN法的对比结果证明了所提方法的优越性。

关键词: 时序分析, 基于变量预测模型的模式识别方法, 故障诊断, 特征提取

Abstract:

A pattern recognition method was proposed herein based on fusion of time series analysis AR model with VPMCD for fault diagnosis. AR model of fault signals was established by using time series analysis,taking its autoregressive parameters that contain the fault features as the fault characteristic values, fusing VPMCD training to get the prediction models of fault characteristic values,and by using these predictive models to classify and recognize the faults of sample types and working states.Analyses of rolling bearings and gear vibration signals show the effectiveness of this method, comparison of the diagnosis method based on fusion of empirical mode decomposition(EMD) with VPMCD shows the superiority of this method.

Key words: time series analysis;variable , predictive , model , based , class , discriminate(VPMCD);fault , diagnoses;feature , extraction

中图分类号:

贾民平, 韩冰. 改进VPMCD法及其在机械故障诊断中的应用[J]. 中国机械工程, 2015, 26(14): 1861-1865.

Jia Minping, Han Bing. A Pattern Recognition Method Based on Fusion of Time Series Analysis with VPMCD and Its Application in Machinery Fault Diagnosis[J]. China Mechanical Engineering, 2015, 26(14): 1861-1865.

参考文献

[1]钟秉林,黄仁,贾民平,等.机械故障诊断学[M].3版.北京：机械工业出版社，2007.
[2]Wang C C,Kang Y,Shen P C，et al.Applications of Fault Diagnosis in Rotating Machinery by Using Time Series Analysis with Neural Network[J].Expert System with Application，2010,37(2):1696-1702.
[3]Fei Shengwei, Zhang Xiaobin. Fault Diagnosis of Power Transformer Based on Support Vector Machine with Genetic Algorithm[J].Expert System with Application，2009，36（8）：11352-11357.
[4]Raghuraj R,Lakshminarayanan S.VPMCD:Variable Interaction Modeling Approach for Class Discrimination in Biological Systems[J].FEBS Letters,2007,581(5/6):826-830.
[5]Raghuraj R,Lakshminarayanan S.Variable Predictivemodels-a New Multivariate Classification Approach for Pattern Recognition Applications[J].Patten Recognition，2009,42(1)：7-16.
[6]Raghuraj R,Lakshminarayanan S.Variable Predictive Model Based Classification Algorithm for Effective Separation of Protein Structural Classes[J].Computational Biology and Chemistry，2008，32(4):302-306.
[7]杨宇，李杰，潘海洋,等.VPMCD和改进ITD的联合智能诊断方法研究[J].振动工程学报，2013，26（4）：609-616.
Yang Yu,Li Jie,Pan Haiyang,et al.Research on Combined Intelligent Diagnostic Method Based on VPMCD and Improved ITD[J]. Journal of Vibration Engineering，2013，26（4）：609-616.
[8]罗颂荣，程军圣，杨宇.基于本征时间尺度分解和变量预测模型模式识别的机械故障诊断[J].振动与冲击，2013，13（23）：43-48.
Luo Songrong,Cheng Junsheng,Yang Yu.Machine Fault Diagnosis Method Using ITD and Variable Predictive Model-based Class Discrimination[J].Journal of Vibration and Shock,2013,13(23):43-48.
[9]程军圣,马兴伟,杨宇.基于 VPMCD和EMD的齿轮故障诊断方法[J].振动与冲击, 2013, 32(20):9-13.
Cheng Junsheng,Ma Xingwei,Yang Yu.Gear Fault Diagnosis Method Based on VPMCD and EMD[J].Journal of Vibration and Shock,2013,32(20):9-13.
[10]杨叔子,吴雅,轩建平,等.时间序列分析的工程应用[M].2版.武汉:华中科技大学出版社,2007.

[1]	罗洁思, 于德介, 史美丽. 基于SVD和线调频小波路径追踪的转速波动齿轮箱故障诊断 [J]. J4, 201016, 21(16): 1947-1951.
[2]	郑近德, 王兴龙, 潘海洋, 童靳于, 刘庆运. 基于自适应自相关谱峭度图的滚动轴承故障诊断方法[J]. 中国机械工程, 2021, 32(07): 778-785，792.
[3]	陈换过, 刘培君, 俞杭, 肖雪. 基于改进PCA-SOM的电静压伺服作动器油滤堵塞故障诊断[J]. 中国机械工程, 2021, 32(07): 799-805.
[4]	许鹏, 方舟, 王平, 耿明, 许勇. 基于脉冲漏磁暂态特征的缺陷量化评估方法[J]. 中国机械工程, 2021, 32(07): 860-866,881.
[5]	江志农1;王子嘉1;张进杰2;黄翼飞3;茆志伟2. 基于能量算子梯度邻域特征提取的核电应急柴油发电机组故障诊断方法[J]. 中国机械工程, 2021, 32(05): 617-623.
[6]	丁嘉鑫;王振亚;姚立纲;蔡永武. 广义复合多尺度加权排列熵与参数优化支持向量机的滚动轴承故障诊断[J]. 中国机械工程, 2021, 32(02): 147-155.
[7]	杨路航1;李宝庆1;王平2,3;王健2,3;杨宇1. 基于概率输出弹性凸包的滚动轴承故障诊断方法[J]. 中国机械工程, 2021, 32(01): 40-46.
[8]	唐贵基;李楠楠;王晓龙. 综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法[J]. 中国机械工程, 2020, 31(24): 2988-2996.
[9]	万书亭;彭勃;王晓龙. 基于双时域变换和稀疏编码收缩的滚动轴承早期故障诊断方法[J]. 中国机械工程, 2020, 31(23): 2829-2836.
[10]	孟宗;刘子涵;吕蒙. 基于改进奇异值分解滤波和谱峭度的滚动轴承故障诊断[J]. 中国机械工程, 2020, 31(20): 2420-2428.
[11]	王振亚;姚立纲. 广义精细复合多尺度样本熵与流形学习相结合的滚动轴承故障诊断方法[J]. 中国机械工程, 2020, 31(20): 2463-2471.
[12]	蔡艳平;范宇;陈万;张金明. 改进时频分析和特征融合在内燃机故障诊断中的应用[J]. 中国机械工程, 2020, 31(16): 1901-1911.
[13]	何彦1;凌俊杰1;王禹林2;李育锋1;吴鹏程1;肖圳1. 基于长短时记忆卷积神经网络的刀具磨损在线监测模型[J]. 中国机械工程, 2020, 31(16): 1959-1967.
[14]	余石龙, 鲍劲松, 李婕, 张启华. 基于误差注意力的晶圆制造数据异常检测[J]. 中国机械工程, 2020, 31(14): 1686-1692.
[15]	姜少飞;邬天骥;彭翔;李吉泉;李治;孙涛. 基于XGBoost特征提取的数据驱动故障诊断方法[J]. 中国机械工程, 2020, 31(10): 1232-1239.