基于HHT和有监督稀疏编码的滚动轴承故障状态识别方法
俞啸1
丁恩杰2
陈春旭2
李力3
1.中国矿业大学物联网(感知矿山)研究中心,江苏徐州221008;中国矿业大学信息与电气工程学院,江苏徐州221008;徐州医学院医学信息学院,江苏徐州2210092.中国矿业大学物联网(感知矿山)研究中心,江苏徐州221008;中国矿业大学信息与电气工程学院,江苏徐州2210083.中南大学机电工程学院,湖南长沙,410000
摘要：为了实现对滚动轴承故障位置和损伤程度的准确定位,将类别判别信息引入到无监督的稀疏编码中,提出一种有监督稀疏编码(Supervised Sparse Coding,SSC)方法,建立基于希尔伯特黄变换(Hilbert-Huang Transform,HHT)和SSC的振动信号特征提取和故障状态精细分类模型.首先,通过HHT获取振动信号的边际谱,然后,利用SSC为边际谱信息建立统一的字典库,并完成对边际谱的稀疏表示,实现干扰信息的滤除和故障目标敏感特征的二次提取,最后,使用SSC得到的稀疏系数完成对支持向量基(Support Vector Machine,SVM)分类器的训练.采用SKF-6205-2RS轴承试验台数据对提出方法进行实验分析,使用HHT-SSC-SVM模型,驱动端轴承故障状态识别率为99.5％,风扇端轴承故障状态识别率为98.25％,与文中其他模型相比,在故障状态识别率上有所提高,并且表现出来较强的适应能力.
关键词：希尔伯特黄变换稀疏编码支持向量机特征提取滚动轴承故障
分类号：TH165(机械制造工艺)TP206(自动化技术及设备)
资助基金：国家重点基础研究发展计划（973计划）(973;2014CB046300)
论文发表日期：2015-01-01
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
英文信息