基于spwvd识别的滚动轴承智能检测方法

《基于spwvd识别的滚动轴承智能检测方法》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、万方数据第28卷第9期振动与冲击JOURNALOFVIBRATIONANDSHOCK基于SPWVD识别的滚动轴承智能检测方法林勇，周晓军，杨先勇，张文斌(浙江大学现代制造研究所，杭州310027)摘要：为了探索基于振动谱图像模式识别的智能故障检测方法，以滚动轴承为对象，提出了用SPWVD分布来表征振动信号时频分布特性，利用SPWVD图像的GLCM及其特征统计量来提取故障特征。改进了人工免疫网络分类算法，通过人丁免疫网络分类方法对故障样本特征统计量进行学习，形成记忆抗体集，进而对检验抗原进行故障分类识别，在故障特征信

2、号十扰严莺的情况下，取得了较BP神经网络好的检测准确率，验证了人工免疫网络良好的适应性。随着智能故障检测技术发展，基于图像模式识别的故障检测方法必将得到推广和应用，验证其在轴承故障监测中的可行性。关键词：威格纳-维尔分布；灰度共生矩阵；人工免疫网络；智能故障检测；滚动轴承中图分类号：TP277文献标识码：A在设备状态监控中，故障时振动信号的时频能量分布是有效的监控对象。威格纳一维尔分布(Wigner—ViNedistribution，WVD)是分析时频能量分布的常用工具，在此基础上改进的伪威格纳．维尔分布(pseu

3、doWigner—Villedistribution，PWVD)较WVD能减少相干项，而进一步发展形成的平滑伪威格纳一维尔分布(smoothedpseudoWigner—Villedistribution，SPWVD)，能够有效消除干扰项，准确反应信号的时频特征⋯。由于该方法可以得到灰度图像。因此从图像处理的角度认识SPWVD时频分布图，将其应用于故障检测领域，可以更充分地利用其时频信息。基于图像识别的方法，在汽车牌照智能识别嵋。等领域取得成功的应用。因此，本文探索基于SPWVD时频分布图识别的故障检测方法，并以滚

4、动轴承为例验证该方法的可行性。在图像识别领域，灰度共生矩阵(graylevelCO-OC．euHencematrix，GLCM)”o是一种得以广泛应用的纹理统计分析方法和纹理测量技术，由于不同类别的故障SPWVD时频分布图表现出一定的差异，所以用基于GLCM的特征统计量来表示SPWVD时频分布图的特征，作为故障模式识别的输入向量。生物系统为人工智能提供了丰富的理论源泉，它是一个自适应、自组织，高度分布和没有控制中心的系统，因此生物免疫系统的许多机理和隐喻可用于智能计算。基于克隆选择学说、阴性选择学说、免疫型网络调节

5、学说的人工免疫算法是研究的热点。文献[4]利克隆选择算法构建多类分类器对遥感图像进行识别，文献[5]利阴性选择算法构建异常检测器对轴承故障进行检测，该方法判断轴承工作是否正常，是一种二类分类问题。而文献[6]提出的人工免疫网络(artificial收稿日期：2008—09—24修改稿收到日期：2008—12—0l第一作者林勇男，博士生。1980年5月生immunenetwork，AIN)将克隆选择原理和独特型免疫网络理论有机结合，通过模拟抗体与抗原的作用关系，使抗体在学习抗原模式的过程中不断优化，从而得到表征抗原特

6、性的独特型抗体，因而，具有克隆选择与独特型网络的双重优势。这为故障检测问题提供了一条新思路。文献[7]对AIN进行改造，增加了训练抗原的类别信息，并应用到变压器故障的分类中，取得了较好的效果。本文在文献[6]、[7]的基础上，对人工免疫网络分类算法加以改进，以GLCM的特征统计量为抗原，通过人工免疫网络的优化学习，产生表征故障特性的记忆抗体集，通过判断待测样本与记忆抗体集的距离，按照k一近邻法则来对其进行分类，同时设置分类限制阈值，作出无法分类的判断。实例分析结果表明，基于SPWVD时频分布图识别和人工免疫网络的分

7、类方法能够有效对轴承的各种故障模式分类。1WVD、PWVD与SPWVD¨1在时频能量分布中，人们最感兴趣的是WVD，定义WVD为：，+∞，一、职(t，t，)=J戈ft+÷}·，一田、二，菇+ft一÷1·e-j2”曲(1)、Z，WVD具有很好的数学性质：如，边缘特性，时移和频移不变性，时频伸缩性等。但是，由于WVD的双线性产生了相干项，使得信号在能量应该很少的地方出现了较多的能量，消除这些相干项是必要的。式(1)中的变量丁的取值范围是从一∞到+∞。这在实际中无法满足，可以对式(1)进行加窗处理，这就引出一种新的分布，

8、PWVD，即：，+∞，一、P职(f，移)=fJil(7)·石ft+÷}·万方数据第9期林勇等：基于SPWVD识别的滚动轴承智能检测方法菇’(t一÷)·e-加dr(2)这里『l(丁)是一个矩形窗。加窗处理与WVD的频率平滑处理等效。PWVD中相干项的振荡会被削弱。为了进一步削弱相干项，可以在PWVD的基础上增加平滑函数，这就构成SPWVD，表达式为：SPWx(