基于主成分分析和多分类器融合的滚动轴承故障分类研究

摘要

滚动轴承作为旋转机械中的关键元件，被广泛应用在制造、能源和国防等各个领域的重要设备上。同时滚动轴承也是旋转机械中最容易发生损坏的元件之一，相关研究表明，接近三分之一的旋转机械系统故障是由于轴承的故障而引起的。因此，对滚动轴承的运行状态实施监测，对其进行分析和诊断具有十分重要的意义。该领域的研究也一直是国内外研究人员的研究重点。本文针对传统诊断方法在识别精度和稳定性方面的不足，从滚动轴承故障诊断的关键步骤，特征提取和故障分类两个步骤出发，提出了一种基于主成分分析和多分类器融合的滚动轴承故障分类方法。本文的主要研究工作如下：
　　 第一章主要论述了研究滚动轴承故障诊断的目的和意义。首先介绍了滚动轴承故障诊断技术在世界范围内的发展历程，以及已经发展较成熟的一些故障诊断方法。同时对这些方法的原理，优缺点和适用范围进行了介绍和对比，发现了这些方法在实际应用过程中故障识别准确度和稳定性方面的不足。
　　 第二章首先介绍了滚动轴承常见的故障类型及其形成的原理。然后分析了轴承发生故障时的振动特性。接着讨论了故障诊断的特征参数的提取，对轴承振动信号的统计特征参数进行了介绍，分析了常用的时域和频域的统计特征。最后介绍了主成分分析的基本原理和分析步骤，并利用该方法对特征空间的维数进行降维。
　　 第三章首先论述了单个分类器进行分类识别在参数选取和准确度方面的不足，并引入了多分类器融合的思想。然后研究了多分类器融合的基本内容，包括分类器输出信息的类型，多分类器融合种类以及多分类器融合系统的结构。随后重点讨论了投票法和贝叶斯信度方法的原理。通过分析可知，贝叶斯信度方法由于考虑了各个分类器的差异性，具有更好的融合效果。最后对分类器的差异性度量进行了讨论，并提出了基于相关系数法的分类器选择方法。
　　 第四章通过实验来验证本文提出的轴承故障分类方法的有效性。对于不同故障类型的轴承振动信号，首先进行预处理，然后从中提取时域和频域的统计特征参数。接着利用主成分分析的方法，提取前几个主成分，压缩特征空间的维数。最后利用基于贝叶斯信度方法的多分类器融合决策系统，得到最终的滚动轴承故障分类结果。实验数据表明，该多分类器融合系统比单个分类器的识别精度更高，更稳定性。本文的滚动轴承故障特征提取与分类的方法有一定的实用价值。
　　 第五章总结了本论文的创新点和研究成果，并指出了研究过程中的一些不足。最后对今后的研究工作提出了展望。