基于相关支持矩阵机的滚动轴承故障诊断方法研究*

陈 英,陈木荣

(1.长沙民政职业技术学院 电子信息工程学院,湖南 长沙 410004;2.华南理工大学 机械与汽车工程学院,广东 广州 510640;3.广东理工学院 机电工程系,广东 肇庆 526100)

0 引 言

滚动轴承是旋转机械设备中必不可少的重要零件,其状态的好坏直接影响整个机械设备的安全运行。因此,对滚动轴承工作状态的监测及其故障识别一直是学者们的研究热点。

随着对滚动轴承状态判别算法研究的不断深入,各种故障识别器被应用于滚动轴承故障识别领域,并取得了一定的效果[1,2]。

随着模式识别算法的快速发展,各种分类器(算法)被广泛应用于滚动轴承状态识别中,如支持向量机(support vector machine,SVM)、线性判别分析、k近邻、贝叶斯分类器、极限学习机(extreme learning machine,ELM)等[3-8]。

上述经典分类器是在输入特征为向量形式的基础上构造的。而在实际应用中,拾取的滚动轴承振动信号记录了一段时间内的波动信息,使其以二维矩阵的形式得以表现出来。为适应传统分类器对输入数据的形式要求,通常需要将拾取的特征矩阵重塑为向量,或以向量形式提取特征。然而,由于二维振动信号行和列之间的高度相关性,矢量化会破坏特征矩阵的列或行之间的结构信息[9]。

为了解决上述问题,LUO Luo等人[10]提出了一种新的支持矩阵机(support matrix machine,SMM),它可以充分利用特征矩阵的结构信息,采用交替方向乘子法,来优化SMM的目标函数,获得良好的分类效果。

此外,在SMM的基础上,相关学者又陆续提出了一系列的改进算法。ZHENG Qing-qing等人[11,12]提出了……