摘要
滚动轴承作为旋转类机械设备中的关键零部件，有着精度高、负载大、结构紧凑和质量稳定可靠等优点，在交通运输、电力、航空等领域中应用甚广。但是滚动轴承在实际运行条件下容易发生各种各样的故障。因此研究其故障检测和诊断方法对于降低维护成本、提高工作效率和预防系统故障的作用是不言而喻的。滚动轴承诊断过程中的关键在于如何有效地从其信号数据中完成特征获取、特征融合和智能识别分类等一系列操作。 本文为了提高滚动轴承状态诊断时的精度，通过结合信息熵（IE）和α稳定分布（ASD）参数提出多特征融合方法IE-ASD。基于滚动轴承的振动信号数据探究了多种方法所构建的特征向量的聚类效果的优劣程度，构建PSO-SVM的机器学习模型。应用基于典型相关分析(CCA的特征融合方法融合IE和ASD特征，诊断滚动轴承故障。应用实验分析的方式研究多特征融合方法IE-ASD的有效性和抗噪性。本文主要内容如下： （1）概述滚动轴承的结构、容易出现的缺陷类型及监测技术；探究其各个位置出现故障时的振动特征情况；给出滚动轴承各个位置故障频率的理论公式；并介绍本文所用到的CWRU轴承数据以及实验获取数据。 （2）根据信息熵理论从振动信号中提取时域的奇异谱熵tH、频域的功率谱熵fH和时-频域的小波空间特征谱熵wtH和小波能谱熵weH，基于经验特征函数法估计ASD的四个参数α,β,δ,γ，串行组合构建特征向量。对特征向量进行主成分分析，根据累计贡献率选出贡献率最高的三个主成分作为特征向量的投影方向得到不同损伤程度下的特征散点图，并对比仅由IE、ASD单独构建的特征向量散点图以分析其聚类性能。 （3）基于粒子群优化算法(PSO和支持向量机(SVM原理，运用PSO优化SVM的内核参数2σ和惩罚因子C，构建了PSO-SVM的机器学习模型。将IE-ASD、ASD、IE法各自构建的特征向量集输入模型中训练测试，以对比滚动轴承不同损伤程度下三种方法的分类准确率。绘制各数据集的诊断结果混淆矩阵图以分析模型测试时样本的具体分类识别情况。 （4）对所提出的IE-ASD方法通过手动添加信噪比为-6、-4、-2、0、2、4、6、8、10dB的一系列高斯白噪声的方法对IE-ASD的抗噪性能进行分析探讨。应用典型相关分析法对IE熵值与ASD参数的进行相关性变换得到融合特征，通过对特征采取串联或求和的方式分别得到八维或四维特征向量，并输入PSO-SVM模型进行训练测试，测试结果表明：所用方法分类效果良好。
NETL