S能量谱特征提取在轴承故障诊断中的应用

计算机工程与应用 ›› 2015, Vol. 51 ›› Issue (18): 261-265.

S能量谱特征提取在轴承故障诊断中的应用

王子佳1，2，范玉刚1，2，吴建德1，2

1.昆明理工大学信息工程与自动化学院，昆明 650500
2.云南省矿物管道输送工程技术研究中心，昆明 650500

出版日期:2015-09-15 发布日期:2015-10-13

Application of feature extraction based on S energy spectrum in bearing fault diagnosis

WANG Zijia1，2, FAN Yugang1，2, WU Jiande1，2

1.Faculty of Information Engineering & Automation, Kunming University of Science and Technology, Kunming 650500, China
2.Engineering Research Center for Mineral Pipeline Transportation, YN, Kunming 650500, China

Online:2015-09-15 Published:2015-10-13

摘要/Abstract

摘要： 准确提取振动信号的特征，是滚动轴承故障检测的关键问题，为此提出一种基于S能量谱特征提取的故障诊断方法。该方法对振动信号进行S变换，得到时频矩阵，并构建S能量谱，对S能量谱进行奇异值分解（Singular Value Decomposition，SVD）分析，得到能够反映S能量谱特征的奇异值，利用变量预测模型（Variable Predictive Model based Class Discriminate，VPMCD）方法，通过建立特征值之间的内在关系，构建故障识别模型。将所提方法应用于滚动轴承故障检测，实验结果表明，S能量谱特征提取轴承故障诊断方法具有较高的正判率。

关键词: S能量谱, 奇异值分解（SVD）, 基于变量预测模型的模式识别（VPMCD）, 故障诊断

Abstract: To accurately extract the features of vibration signal is essential in detecting rolling bearing fault. Therefore, a method named feature extraction based on S energy spectrum is brought up in this paper. By performing S transform on the vibration signals, time-frequency matrix is obtained and S energy spectrum is constructed. S energy spectrum is decomposed into singular values that can reflect the energy distribution and analyses with the help of Singular Value Decomposition （SVD）. Through utilizing the Variable Predictive Model based Class Discriminate（VPMCD） and comparing the interrelation among singular value vectors of S energy spectrum, the fault identification model is constructed. The experimental results prove that the proposed method applied to the bearing fault diagnosis acquires a better correction rate.

Key words: S energy spectrum, Singular Value Decomposition（SVD）, Variable Predictive Model based Class Discriminate（VPMCD）, fault diagnosis

王子佳1，2，范玉刚1，2，吴建德1，2. S能量谱特征提取在轴承故障诊断中的应用[J]. 计算机工程与应用, 2015, 51(18): 261-265.

WANG Zijia1，2, FAN Yugang1，2, WU Jiande1，2. Application of feature extraction based on S energy spectrum in bearing fault diagnosis[J]. Computer Engineering and Applications, 2015, 51(18): 261-265.

[1]	林荣来，汤冰影，陈明. 适用于轴承故障诊断的数据增强算法[J]. 计算机工程与应用, 2021, 57(7): 269-278.
[2]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[3]	李雅，侯彦东，刘畅. 基于故障程度的自适应优化容错控制[J]. 计算机工程与应用, 2021, 57(23): 295-302.
[4]	钱文博，熊建斌，岑健，王颀，余得正，吴润杰. 建筑电气系统故障诊断综述[J]. 计算机工程与应用, 2021, 57(16): 27-39.
[5]	唐登平，蔡文嘉，邹立，胡翔，丁黎，王雪. 改进卷积神经网络在互感器故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(11): 239-247.
[6]	衷路生，刘东东. 多级神经网络的轴承故障诊断研究[J]. 计算机工程与应用, 2020, 56(7): 193-199.
[7]	杜小磊，陈志刚，许旭，张楠. 改进深层小波自编码器的轴承故障诊断方法[J]. 计算机工程与应用, 2020, 56(5): 263-269.
[8]	毛彪，杨松，李英顺. 改进动态因果图与模糊推理融合故障诊断方法[J]. 计算机工程与应用, 2020, 56(3): 259-265.
[9]	余萍，曹洁. 深度学习在故障诊断与预测中的应用[J]. 计算机工程与应用, 2020, 56(3): 1-18.
[10]	唐魏，郑源，潘虹，徐晶珺. 引入动态调节学习率的SAE轴承故障诊断研究[J]. 计算机工程与应用, 2020, 56(20): 264-269.
[11]	王卉，李英顺. 改进型证据更新规则的动态故障诊断算法[J]. 计算机工程与应用, 2020, 56(2): 261-265.
[12]	曹洁，赵伟吉，余萍，王进花. 改进鸟群算法优化PF的双馈发电机故障诊断[J]. 计算机工程与应用, 2020, 56(18): 229-237.
[13]	杨宇，曾国辉，黄勃. 基于双树复小波包和改进SVM的轴承故障诊断[J]. 计算机工程与应用, 2020, 56(17): 231-235.
[14]	王得雪，林意，陈俊杰. 协同训练算法在滚动轴承故障诊断中的应用[J]. 计算机工程与应用, 2020, 56(12): 273-278.
[15]	贾宝惠，黄琳，李耀华，蔺越国. 轴承故障诊断FastICA算法性能优化方法[J]. 计算机工程与应用, 2019, 55(8): 208-214.