附件C：

滾動(dòng)軸承基于時(shí)變自回歸譜的故障識(shí)別和分類

郭鋒旺，志高羅，徐達(dá)秦，永剛冷，泰永旺
機(jī)械工程學(xué)院，天津大學(xué)，天津300072 ，中國(guó)
收稿日期：2006，10
修改稿收稿日期：2007，10，17
網(wǎng)上公布：2007，10，30


摘 要

滾動(dòng)軸承故障是旋轉(zhuǎn)電機(jī)失效的主要原因，而以旋轉(zhuǎn)電機(jī)及其狀況監(jiān)測(cè)為基礎(chǔ)的振動(dòng)信號(hào)監(jiān)測(cè)技術(shù)已被廣泛使用。為了獲得更準(zhǔn)確的時(shí)間頻譜，基于卡爾曼平滑算法的估計(jì)、時(shí)變、自回歸方法被用來獲取參數(shù)建模的非平穩(wěn)信號(hào)，以便獲得高分辨率的時(shí)頻譜。奇異值分解(SVD)方法是通過獲取左和右奇異向量的時(shí)間頻譜，并通過下調(diào)采樣和預(yù)處理的辦法，使這些奇異向量作為特征向量的時(shí)間頻譜。此外，徑向基函數(shù)(RBF）神經(jīng)網(wǎng)絡(luò)被用來實(shí)現(xiàn)自動(dòng)分類。通過對(duì)滾動(dòng)軸承在四種不同地位的分類，表明如果算法如上所述，便可實(shí)現(xiàn)自動(dòng)化，并準(zhǔn)確地診斷軸承故障。
2007年Elsevier公司有限公司保留所有權(quán)利。

關(guān)鍵詞：卡爾曼平滑，時(shí)變自回歸，奇異值分解，徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)