時(shí)變自回歸參數(shù)模型的滾動(dòng)軸承智能故障診斷概況

     根據(jù)軸承知識(shí)得軸承運(yùn)行時(shí)的振動(dòng)信號(hào)是典型的非線性非平穩(wěn)時(shí)間序列，對(duì)其建立時(shí)變自回歸參數(shù)模型，可以較好地表征軸承振動(dòng)的非平穩(wěn)特征。運(yùn)用軸承知識(shí)在對(duì)軸承振動(dòng)信號(hào)時(shí)變自回歸模型的時(shí)變參數(shù)進(jìn)行大量實(shí)驗(yàn)分析研究的基礎(chǔ)上，提取均值作為表征軸承運(yùn)行狀態(tài)的特征參數(shù)，并輸入支持向量機(jī)分類器進(jìn)行故障識(shí)別與分類，實(shí)現(xiàn)滾動(dòng)軸承的智能故障診斷。實(shí)驗(yàn)結(jié)果表明，該故障診斷方法可以有效準(zhǔn)確地識(shí)別滾動(dòng)軸承的運(yùn)行狀態(tài)。

     滾動(dòng)軸承是旋轉(zhuǎn)機(jī)械中應(yīng)用最廣泛的零部件之一，軸承工作狀況的好壞決定著機(jī)器能否正常工作。統(tǒng)計(jì)顯示，旋轉(zhuǎn)機(jī)械設(shè)備的功能失效有是由軸承故障引起的，因此，對(duì)滾動(dòng)軸承進(jìn)行故障診斷具有十分重要的意義。軸承運(yùn)行時(shí)的振動(dòng)信號(hào)是典型的非線性非平穩(wěn)時(shí)間序列，很難用一個(gè)完全確定的數(shù)學(xué)函數(shù)來表達(dá)。因而對(duì)軸承進(jìn)行故障診斷常通過提取振動(dòng)信號(hào)的特征參數(shù)并建立其與運(yùn)行狀態(tài)之間的關(guān)系來實(shí)現(xiàn)。時(shí)間序列分析通過將觀測(cè)數(shù)據(jù)擬合為一個(gè)參數(shù)模型，實(shí)現(xiàn)對(duì)系統(tǒng)動(dòng)態(tài)特征與內(nèi)在結(jié)構(gòu)關(guān)系的近似描述常用的時(shí)間序列參數(shù)模型，如 自 回 歸 模型、滑動(dòng)平均模型和自回歸滑動(dòng)平均模型等，都是在假定數(shù)據(jù)序列為平穩(wěn)的條件下建立的，在實(shí)際應(yīng)用中存在一定的局限性。時(shí)變參數(shù)模型因其具有較高的非平穩(wěn)信號(hào)時(shí)頻分布分辨率而受到普遍關(guān)注時(shí)變自回歸 模型是目前應(yīng)用最多的一種時(shí)變參數(shù)模型，通過對(duì)滾動(dòng)軸承振動(dòng)信號(hào)的模型求取的時(shí)頻譜進(jìn)行奇異值分解，提取奇異值作為特征參數(shù)，對(duì)轉(zhuǎn)子系統(tǒng)振動(dòng)信模型，提取其基函數(shù)的組合權(quán)值作為特征參數(shù)，實(shí)現(xiàn)了對(duì)旋轉(zhuǎn)機(jī)械的狀態(tài)監(jiān)測(cè)和故障診斷。目前，直接提取振動(dòng)信號(hào)模型的時(shí)變參數(shù)作為反映機(jī)械設(shè)備運(yùn)行狀態(tài)特征參數(shù)的研究還不多見。通過對(duì)軸承振動(dòng)信號(hào)的模型的時(shí)變參數(shù)進(jìn)行大量實(shí)驗(yàn)研究分析，發(fā)現(xiàn)時(shí)變參數(shù)能有效利用信號(hào)的時(shí)頻分布信息，較好地表征非平穩(wěn)信號(hào)的動(dòng)態(tài)特征。為此，提出一種基于時(shí)變自回歸參數(shù)模型的滾動(dòng)軸承智能故障診斷方法。