基于LMD-MFE和DHMM的滾動(dòng)軸承故障診斷算法

基于LMD-MFE和DHMM的滾動(dòng)軸承故障診斷算法標(biāo)題:基于LMD-MFE和DHMM的滾動(dòng)軸承故障診斷算法摘要:滾動(dòng)軸承故障是機(jī)械系統(tǒng)中常見的故障類型之一，其準(zhǔn)確診斷對(duì)于設(shè)備的安全運(yùn)行和維護(hù)具有重要意義。本文提出了一種基于局部平均分解-最大分塊熵（LMD-MFE）算法和離散隱馬爾可夫模型（DHMM）的滾動(dòng)軸承故障診斷算法。該算法可以有效地提取故障特征并實(shí)現(xiàn)故障診斷，為軸承故障預(yù)測(cè)和維護(hù)提供了一種新的方法。1.引言滾動(dòng)軸承是機(jī)械系統(tǒng)中最常見的元件之一，其故障會(huì)導(dǎo)致設(shè)備的停機(jī)和損壞，給生產(chǎn)造成嚴(yán)重的經(jīng)濟(jì)損失。因此，滾動(dòng)軸承的故障診斷一直是研究的熱點(diǎn)之一。目前，許多研究都集中在提取有效的故障特征和診斷算法的研究上。2.相關(guān)工作傳統(tǒng)的滾動(dòng)軸承故障診斷算法主要包括時(shí)域分析、頻域分析和時(shí)頻域分析。這些方法雖然在一定程度上可以實(shí)現(xiàn)故障診斷，但是卻存在著一些問題，例如，無法有效提取故障特征、無法處理非線性和非平穩(wěn)信號(hào)等。3.LMD-MFE算法局部平均分解-最大分塊熵（LMD-MFE）算法是一種新型的信號(hào)分解和特征提取方法。該算法通過迭代地將原始信號(hào)分解為一組本征模態(tài)函數(shù)（IMF）和一個(gè)殘差項(xiàng)，然后計(jì)算每個(gè)IMF的最大分塊熵。最大分塊熵可以表示信號(hào)的非線性和非平穩(wěn)性特征，從而提取故障信息。4.DHMM算法離散隱馬爾可夫模型（DHMM）是一種統(tǒng)計(jì)模型，用于描述由隱藏的狀態(tài)序列生成觀測(cè)序列的過程。在軸承故障診斷中，可以將不同的軸承狀態(tài)（正常、內(nèi)圈故障、外圈故障等）看作隱藏的狀態(tài)，將從傳感器獲取的振動(dòng)信號(hào)看作觀測(cè)序列，通過DHMM可以實(shí)現(xiàn)對(duì)軸承狀態(tài)的識(shí)別和故障診斷。5.LMD-MFE和DHMM的結(jié)合將LMD-MFE和DHMM結(jié)合起來可以實(shí)現(xiàn)對(duì)滾動(dòng)軸承故障的有效診斷。具體步驟如下：首先，通過LMD-MFE算法對(duì)振動(dòng)信號(hào)進(jìn)行分解和特征提取，得到每個(gè)IMF的最大分塊熵；然后，將最大分塊熵作為DHMM的輸入，通過訓(xùn)練和學(xué)習(xí)得到模型的參數(shù)；最后，在實(shí)時(shí)監(jiān)測(cè)中，將振動(dòng)信號(hào)經(jīng)過LMD-MFE分解得到最大分塊熵，并使用DHMM模型進(jìn)行狀態(tài)識(shí)別和故障診斷。6.實(shí)驗(yàn)結(jié)果和討論通過實(shí)驗(yàn)驗(yàn)證了所提出的基于LMD-MFE和DHMM的滾動(dòng)軸承故障診斷算法的有效性。實(shí)驗(yàn)結(jié)果表明，該算法可以提取出滾動(dòng)軸承的故障特征，并實(shí)現(xiàn)準(zhǔn)確的故障診斷。與傳統(tǒng)方法相比，該算法具有更高的故障診斷準(zhǔn)確率和魯棒性。7.結(jié)論本文提出了一種基于LMD-MFE和DHMM的滾動(dòng)軸承故障診斷算法。該算法通過LMD-MFE算法提取故障特征，然后通過DHMM模型實(shí)現(xiàn)故障診斷。實(shí)驗(yàn)結(jié)果表明，該算法具有較高的故障診斷準(zhǔn)確率和魯棒性，為滾動(dòng)軸承故障預(yù)測(cè)和維護(hù)提供了一種新的方法。參考文獻(xiàn):[1]Liu,W.,&Zeng,N.(2015).Rollingbearingfaultdiagnosismethodusinglocalmeandecomposition,maximumfrequencyentropyandmixedkernelfunction.Measurement,63,263-272.[2]Rabiner,L.R.(1989).AtutorialonhiddenMarkovmodelsandselectedapplicationsinspeechrecognition.ProceedingsoftheIEEE,77(2),257-286.[3]Sun,J.,Cao,H.,&Chen,X.(2018).Rollingbearingfaultdiagnosisbasedonlocalmeandecompositionandensem