Noise and Vibration Control ›› 2022, Vol. 42 ›› Issue (3): 132-137.

Previous Articles     Next Articles

Rolling Bearing Fault Diagnosis Method Based on Multi-model Fusion

#br#   

  • Received:2021-05-11 Revised:2021-07-20 Online:2022-06-18 Published:2022-06-28

多模型融合下的滚动轴承故障诊断方法

张龙周俊   

  1. (上海工程技术大学机械与汽车工程学院,上海201620)

摘要: 针对单一分类器对于轴承故障诊断精度低的问题,提出一种多模型融合的滚动轴承故障诊断方法。首先对于滚动轴承的原始振动信号采用WELCH功率谱算法进行预处理,然后从功率谱中提取相关特征参数构成输入样本,分别采用LDA、SVM、KNN以及PNN四种分类器作为基分类器,再结合集成学习算法构造Stacking 集成学习模型,实现对滚动轴承多种故障类型的预测分类。实验结果表明,相比较各个单一分类器,Stacking-SVM集成模型的诊断性能更优,诊断准确率为98 %。同时将该集成模型在不同工况下进行实验及抗噪实验,均能达到较高的诊断准确率。可见该集成模型的故障诊断性能稳定,具有一定的鲁棒性和泛化能力。

关键词: 故障诊断, 多模型融合, WELCH算法, Stacking集成学习, 滚动轴承