机械设计与研究 ›› 2019, Vol. 35 ›› Issue (03): 83-86.doi: 10.13952/j.cnki.jofmdr.a4914
周建民;张臣臣;张龙;郭慧娟;
出版日期:
2019-06-20
发布日期:
2019-06-20
Online:
2019-06-20
Published:
2019-06-20
摘要: 滚动轴承在长期的工作过程中其性能会出现不同程度的退化,如果能对滚动轴承的退化状态进行识别就可以做好维护措施。用自回归模型(Autoregressive model, AR)对滚动轴承全寿命周期的振动信号提取其系数及残差,用正常样本和失效样本特征建立模糊C均值模型(Fuzzy C Mean, FCM),用轴承正常样本的特征数据建立隐马尔科夫(Hidden Markov model, HMM)模型,将轴承的测试样本信号输入建立的FCM和HMM模型得到的两个退化指标,再将其作为特征矩阵输入到FCM模型,得到融合方法的性能退化曲线,结果表明该方法集中了空间统计距离模型和概率统计模型两者的优势,最后用IEEE PHM2012实验数据进行验证,表明所述方法与滚动轴承性能退化趋势保持一致并且可以提早发现早期故障。
周建民;张臣臣;张龙;郭慧娟;. 基于融合模糊C均值与隐马尔科夫模型的滚动轴承的退化状态识别[J]. 机械设计与研究, 2019, 35(03): 83-86.
[1] | 卓鹏程, 严瑾, 郑美妹, 夏唐斌, 奚立峰. 面向滚动轴承全生命周期故障诊断的GA-OIHF Elman神经网络算法[J]. 上海交通大学学报, 2021, 55(10): 1255-1262. |
[2] | 周建民;游涛;尹文豪;张龙;张臣臣;. 基于融合FCM-SVDD模型的滚动轴承退化状态识别[J]. 机械设计与研究, 2020, 36(01): 124-129. |
[3] | 张龙;吴佳敏;吴荣真;宋成洋;易剑昱;. 基于多尺度熵与SOM神经网络的滚动轴承故障识别[J]. 机械设计与研究, 2019, 35(06): 105-110. |
[4] | 周建民;王发令;张龙;李鹏;张臣臣;. 基于RBF神经网络与模糊评价的滚动轴承退化状态定量评估[J]. 机械设计与研究, 2019, 35(06): 116-122+127. |
[5] | 熊国良;毛志德;张龙;成俊良;. 经验模态分解与核马氏距离的滚动轴承性能退化评估[J]. 机械设计与研究, 2019, 35(04): 96-100+104. |
[6] | 段永彬;张玉芝;安建良;张前图;. 基于变分模态分解谱熵的电机轴承退化状态识别方法[J]. 机械设计与研究, 2019, 35(04): 101-104. |
[7] | 陆纪文;. 基于MCKD与1.5维Teager能量谱的滚动轴承故障诊断方法[J]. 机械设计与研究, 2019, 35(03): 100-103. |
[8] | 王宜静;谭海燕;. 基于多维度互近似熵的滚动轴承故障诊断方法研究[J]. 机械设计与研究, 2019, 35(01): 110-112+124. |
[9] | 周建民;张臣臣;张龙;郭慧娟;. 基于自联想神经网络与模糊C均值的滚动轴承的性能退化评估[J]. 机械设计与研究, 2019, 35(01): 96-99. |
[10] | 吴军a, b,黎国强a,吴超勇a,程一伟c,邓超c. 数据驱动的滚动轴承性能衰退状态监测方法[J]. 上海交通大学学报(自然版), 2018, 52(5): 538-544. |
[11] | 张龙;刘晶;熊国良;毛志德;. 基于小波包分解和频率加权能量算子的滚动轴承故障诊断[J]. 机械设计与研究, 2018, 34(06): 80-84. |
[12] | 高七一;余伦;. 光电经纬仪中径向密珠滚动轴承设计要素的分析[J]. 机械设计与研究, 2018, 34(06): 89-94. |
[13] | 唐宁;童水光;徐剑;从飞云;张依东;. 基于短时信号重构与K-SVD特征提取算法[J]. 机械设计与研究, 2018, 34(04): 18-22. |
[14] | 荆双喜;杨晓雨;罗志鹏;. 基于自适应时频分析的滚动轴承故障诊断[J]. 机械设计与研究, 2018, 34(04): 85-88. |
[15] | 黎慧;张国文;. 基于灰色模型的滚动轴承剩余寿命预测[J]. 机械设计与研究, 2018, 34(01): 113-116+120. |
阅读次数 | ||||||
全文 |
|
|||||
摘要 |
|
|||||