基于故障敏感分量和改进K近邻分类器的故障状态识别

• 作者: 王化玲 刘志远 赵欣洋 晁战云 刘小峰
• 来源期刊: 重庆大学学报
• 学科: 工学
• 关键词: 局域均值分解 故障敏感分量 改进K近邻分类器 故障诊断
• 年，卷（期）: 2020,（12）
• 页码范围: 33-40
• 页数: 8页
• 分类号: TH17|TH206
• 语种: 中文
• DOI: 10.11835/j.issn.1000-582X.2020.002

摘要

针对故障状态下的滚动轴承振动信号非线性非平稳性强、噪声干扰大导致的故障敏感特征提取难的问题,在对轴承振动信号进行局域均值分解(local mean decomposition,LMD)的基础上,提出了一种基于故障敏感分量的特征提取与改进K近邻分类器(K-nearest neighbor classifier,KNNC)的故障状态辨识方法.该方法采用相关系数法对LMD分解出的振动分量进行故障敏感性的量化表征,然后对筛选出的信号分量进行时域/频域的特征提取,构建不同故障状态下的特征样本集.为加快故障状态识别速度,排除不良样本的影响,提出一种基于二分K均值聚类的改进KNNC算法,精简了大容量的训练样本,有效去除不良特征样本和干扰点.实验结果表明,以敏感分量特征作为输入的改进KNNC算法能够快速准确地识别轴承不同故障状态.