"基于V-detector算法的滚动轴承故障诊断方法 (2010年) - 浙江大学学报(工学版), 杨先勇, 周晓军, 林勇, 张文斌, 沈路"
本文探讨了一种改进的滚动轴承故障诊断方法,该方法是针对实值阴性选择(RNS)算法的局限性而提出的,即RNS算法的检测器尺寸不能自适应变化的问题。作者提出了基于变检测半径的RNS算法(V-detector),以提高诊断的适应性和准确性。在该方法中,首先对轴承振动信号进行局域波分解,提取出各基本模式分量的关联维数作为特征向量。这些特征向量随后被用来区分不同的故障模式,并构建多个自体样本集。
V-detector算法的核心在于利用这些样本集训练出多个检测器集。每个检测器集专门针对特定类型的故障,从而提高了诊断的针对性。在实际应用中,通过这些检测器对轴承的运行状态进行分析,以识别是否存在故障。
实验结果显示,自体半径的选择对诊断效果有显著影响。如果半径太小,可能会导致误诊率增加;而半径过大,则可能导致检测器的灵敏度降低,进而影响诊断的准确性。覆盖率是另一个关键参数,它反映了检测器覆盖样本空间的程度。当覆盖率超过95%时,虽然准确率会提高,但计算成本也会显著增加。因此,找到一个平衡点至关重要,以确保高准确率的同时,避免过度计算。
与传统的基于RNS的诊断方法相比,V-detector算法在保持同样高诊断准确率的基础上,显著降低了计算复杂度,并且表现出更高的稳定性。这意味着V-detector算法能够更加高效地识别轴承的各类故障,对设备维护和故障预防具有重要意义。
关键词包括滚动轴承、故障诊断、V-detector算法、人工免疫系统以及局域波分解。这些关键词涵盖了这篇论文的主要研究领域和技术手段,表明了该研究结合了机械工程、信号处理和人工智能等多个领域的知识,旨在提升滚动轴承故障检测的效率和精确性。
这项工作为滚动轴承故障诊断提供了一种创新的、基于V-detector算法的解决方案,它克服了传统RNS算法的局限性,优化了特征提取和检测过程,有望在工业实践中得到广泛应用。