基于振动信号显著性序列的滚动轴承状态诊断方法研究

为提升基于时域信号的滚动轴承状态诊断准确率,提出了一种基于振动信号显著性序列的滚动轴承状态诊断方法.首先,将采集得到的振动信号归一化后进行了傅里叶变换,得到对数幅度谱和平均对数谱,并将二者相减获得了信号的谱残差;然后,对谱残差通过傅里叶逆变换映射回时间域,得到了信号的显著性序列;最后,将显著性序列输入到状态诊断模型中,对滚动轴承运行状态进行了分类,实现了对滚动轴承的状态诊断.实验及研究结果表明:相对于原振动信号,显著性序列可以有效地提高分类准确率,特别是对信噪比(SNR)较差的振动信号,如混有-6 dB的高斯白噪声,以支持向量机(SVM)及卷积神经网络(CNN)分别作为状态诊断模型,显著性序列的状态诊断准确率较原振动信号可分别提高9％和10.75％;对于利用卷积神经网络的状态诊断模型,显著性序列还能有效缩短网络模型训练时间,提高系统的时效性.