D0I:10.13374/i.i8sm1001-t53.2010.03.019 第32卷第3期 北京科技大学学报 Vol 32 No 3 2010年3月 Journal of Un iversity of Science and Technology Beijing Mar.2010 基于特征波形稀疏匹配的滚动轴承故障模式识别 王国栋黎敏阳建宏徐金梧 北京科技大学机械工程学院，北京100083 摘要提出了一种基于特征波形稀疏匹配的滚动轴承故障模式识别方法·该方法通过自行设计的搜索算法从信号中提取 多段特征波形，并对其进行学习优化，以优化后的特征波形作为基原子模型生成原子库及模式匹配库.将待识别信号在模式 匹配库上进行一阶匹配分析，实现轴承故障的模式识别·对正常轴承、滚动体故障、内圈故障和外圈故障信号进行实验，验证 了方法的有效性和鲁棒性· 关键词滚动轴承：点蚀：模式识别：特征波形 分类号TH165.3TWN9117 Fault pattern recogn ition of rolling bearings based on characteristic wavefom sparse m a tch ing WANG Guodong LIM in YANG Jian -hong XU Jin wu School ofM echanical Engineering University of Science and Technolgy Beijng Beijng 100083 China ABSTRACT A method of fault pattem recogn ition for molling bearings was proposed on the basis of sparse matching of a characteristic wavefom (CW).W ith a well-designed search algorithm.multi-section CW s were extracted from a vibration signal A representative CW was obtained by leaming from the extracted CW s Then the representative CW was acted as an atom model to construct a dictiona- ry and a pattem match ing dictionary Pattem recogn ition was conducted through oneorder matching analysis in the pattem matching dictionary Employing the signals of a nomal bearing ball fault inner race fault and outer race fault for pattem recognition the result indicates that the method is valid and robust KEY W ORDS molling bearings pitting pattem recogn ition:characteristic wavefom 滚动轴承作为旋转类机械重要的承载和传动部式网络，实现轴承故障的模式识别，这种识别过程实 件，在长期的运行过程中由于受到交变载荷和环境 质上是待识别数据与先验数据的匹配过程3).由 的腐蚀作用极易发生故障.基于振动分析的轴承故 于神经网络输入特征量的构造和选择没有固定的方 障模式识别过程，关键在于提取信号中的故障特征， 法，且获取学习样本往往需要的信号样本数量较大， 然后将特征量与理论值或先验值进行对比分析，实 给使用带来极大的不便.无论基于特征频率还是神 现轴承故障的模式识别，传统的基于轴承故障特征 经网络的模式识别方法，都是利用信号的特征来进 频率的诊断方法，就是通过找出信号中与故障对应 行的，对于滚动轴承不同故障类型的信号来说，特 的频率成分，实现诊断分析1-)；但由于信号成分复 征最直接的反映是在信号的时域波形上，以信号的 杂，特征成分往往难以提取，尤其是早期故障，信号 时域波形作为特征，相比统计特征量（均方根值、脉 特征通常淹没在强噪声背景中，基于神经网络的模 冲指标等)而言，特征波形不仅直观、物理意义明 式识别过程，是通过对已知样本学习，得到信号的模 确，而且综合反映了轴承振动的固有特性；相比变换 收稿日期：2009-11-03 基金项目：国家自然科学基金资助项目(N。50705069,N。50674010:N。50905013:N。50934007):国家高技术研究发展计划资助项目 (N。2007AA04Z169):高等学校博士学科点专项科研基金资助项目(N。20070008050:N。20090006120007) 作者简介：王国栋(1982)，男，博士研究生：徐金梧(1949)男，教授，博士生导师，Email jwxt@us曲：cm第 32卷 第 3期 2010年 3月 北 京 科 技 大 学 学 报 ＪｏｕｒｎａｌｏｆＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙＢｅｉｊｉｎｇ Ｖｏｌ．32Ｎｏ．3 Ｍａｒ．2010 基于特征波形稀疏匹配的滚动轴承故障模式识别 王国栋 黎 敏 阳建宏 徐金梧 北京科技大学机械工程学院‚北京 100083 摘 要 提出了一种基于特征波形稀疏匹配的滚动轴承故障模式识别方法．该方法通过自行设计的搜索算法从信号中提取 多段特征波形‚并对其进行学习优化‚以优化后的特征波形作为基原子模型生成原子库及模式匹配库．将待识别信号在模式 匹配库上进行一阶匹配分析‚实现轴承故障的模式识别．对正常轴承、滚动体故障、内圈故障和外圈故障信号进行实验‚验证 了方法的有效性和鲁棒性． 关键词 滚动轴承；点蚀；模式识别；特征波形 分类号 ＴＨ165 ＋．3；ＴＮ911．7 Ｆａｕｌｔｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎｏｆｒｏｌｌｉｎｇｂｅａｒｉｎｇｓｂａｓｅｄｏｎｃｈａｒａｃｔｅｒｉｓｔｉｃｗａｖｅｆｏｒｍ ｓｐａｒｓｅｍａｔｃｈｉｎｇ ＷＡＮＧＧｕｏ-ｄｏｎｇ‚ＬＩＭｉｎ‚ＹＡＮＧＪｉａｎ-ｈｏｎｇ‚ＸＵＪｉｎ-ｗｕ ＳｃｈｏｏｌｏｆＭｅｃｈａｎｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ‚ＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙＢｅｉｊｉｎｇ‚Ｂｅｉｊｉｎｇ100083‚Ｃｈｉｎａ ＡＢＳＴＲＡＣＴ Ａｍｅｔｈｏｄｏｆｆａｕｌｔｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎｆｏｒｒｏｌｌｉｎｇｂｅａｒｉｎｇｓｗａｓｐｒｏｐｏｓｅｄｏｎｔｈｅｂａｓｉｓｏｆｓｐａｒｓｅｍａｔｃｈｉｎｇｏｆａｃｈａｒａｃｔｅｒｉｓｔｉｃ ｗａｖｅｆｏｒｍ （ＣＷ）．Ｗｉｔｈａｗｅｌｌ-ｄｅｓｉｇｎｅｄｓｅａｒｃｈａｌｇｏｒｉｔｈｍ‚ｍｕｌｔｉ-ｓｅｃｔｉｏｎＣＷｓｗｅｒｅｅｘｔｒａｃｔｅｄｆｒｏｍａｖｉｂｒａｔｉｏｎｓｉｇｎａｌ．Ａｒｅｐｒｅｓｅｎｔａｔｉｖｅ ＣＷ ｗａｓｏｂｔａｉｎｅｄｂｙｌｅａｒｎｉｎｇｆｒｏｍｔｈｅｅｘｔｒａｃｔｅｄＣＷｓ．Ｔｈｅｎ‚ｔｈｅｒｅｐｒｅｓｅｎｔａｔｉｖｅＣＷ ｗａｓａｃｔｅｄａｓａｎａｔｏｍｍｏｄｅｌｔｏｃｏｎｓｔｒｕｃｔａｄｉｃｔｉｏｎａ- ｒｙａｎｄａｐａｔｔｅｒｎｍａｔｃｈｉｎｇｄｉｃｔｉｏｎａｒｙ．Ｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎｗａｓｃｏｎｄｕｃｔｅｄｔｈｒｏｕｇｈｏｎｅ-ｏｒｄｅｒｍａｔｃｈｉｎｇａｎａｌｙｓｉｓｉｎｔｈｅｐａｔｔｅｒｎｍａｔｃｈｉｎｇ ｄｉｃｔｉｏｎａｒｙ．Ｅｍｐｌｏｙｉｎｇｔｈｅｓｉｇｎａｌｓｏｆａｎｏｒｍａｌｂｅａｒｉｎｇ‚ｂａｌｌｆａｕｌｔ‚ｉｎｎｅｒｒａｃｅｆａｕｌｔａｎｄｏｕｔｅｒｒａｃｅｆａｕｌｔｆｏｒｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎ‚ｔｈｅｒｅｓｕｌｔ ｉｎｄｉｃａｔｅｓｔｈａｔｔｈｅｍｅｔｈｏｄｉｓｖａｌｉｄａｎｄｒｏｂｕｓｔ． ＫＥＹＷＯＲＤＳ ｒｏｌｌｉｎｇｂｅａｒｉｎｇｓ；ｐｉｔｔｉｎｇ；ｐａｔｔｅｒｎｒｅｃｏｇｎｉｔｉｏｎ；ｃｈａｒａｃｔｅｒｉｓｔｉｃｗａｖｅｆｏｒｍ 收稿日期：2009--11--03 基金项目：国家自然科学基金资助项目 （Ｎｏ．50705069；Ｎｏ．50674010；Ｎｏ．50905013；Ｎｏ．50934007）；国家高技术研究发展计划资助项目 （Ｎｏ．2007ＡＡ04Ｚ169）；高等学校博士学科点专项科研基金资助项目 （Ｎｏ．20070008050；Ｎｏ．20090006120007） 作者简介：王国栋 （1982— ）‚男‚博士研究生；徐金梧 （1949— ）‚男‚教授‚博士生导师‚Ｅ-ｍａｉｌ：ｊｗｘｕ＠ｕｓｔｂ．ｅｄｕ．ｃｎ 滚动轴承作为旋转类机械重要的承载和传动部 件‚在长期的运行过程中由于受到交变载荷和环境 的腐蚀作用极易发生故障．基于振动分析的轴承故 障模式识别过程‚关键在于提取信号中的故障特征‚ 然后将特征量与理论值或先验值进行对比分析‚实 现轴承故障的模式识别．传统的基于轴承故障特征 频率的诊断方法‚就是通过找出信号中与故障对应 的频率成分‚实现诊断分析 ［1--2］；但由于信号成分复 杂‚特征成分往往难以提取‚尤其是早期故障‚信号 特征通常淹没在强噪声背景中．基于神经网络的模 式识别过程‚是通过对已知样本学习‚得到信号的模 式网络‚实现轴承故障的模式识别‚这种识别过程实 质上是待识别数据与先验数据的匹配过程 ［3--4］．由 于神经网络输入特征量的构造和选择没有固定的方 法‚且获取学习样本往往需要的信号样本数量较大‚ 给使用带来极大的不便．无论基于特征频率还是神 经网络的模式识别方法‚都是利用信号的特征来进 行的．对于滚动轴承不同故障类型的信号来说‚特 征最直接的反映是在信号的时域波形上．以信号的 时域波形作为特征‚相比统计特征量 （均方根值、脉 冲指标等 ）而言‚特征波形不仅直观、物理意义明 确‚而且综合反映了轴承振动的固有特性；相比变换 DOI :10．13374／j．issn1001—053x．2010．03．019