24、基于梅尔频率倒谱系数和支持向量机的齿轮箱故障诊断

基于梅尔频率倒谱系数和支持向量机的齿轮箱故障诊断

1 引言

预测机械故障的能力有助于降低维护成本、减少运营故障和安全风险，在工业中愈发重要，因为它可以减少因机器停机造成的生产损失。故障诊断可视为模式识别问题，已经应用了多种人工智能方法，如隐马尔可夫模型（HMM）、人工神经网络（ANN）和支持向量机（SVM）等。

旋转机械诊断面临的挑战包括如何从可用特征中构建和评估能准确代表故障的有效特征子空间，以及选择合适的特征集让分类器清晰区分不同类别。本文分析了SVM分类器的应用，将梅尔频率倒谱系数（MFCC）和SVM相结合，用于旋转机械的智能故障诊断。该方法分为特征提取和数据分类可视化两个阶段。

2 所提方法描述

通用的基于状态的维护（CBM）过程主要包括三个步骤：
1. 数据采集 ：收集与系统健康相关的数据，如加速度、速度、扭矩等信号。
2. 数据处理 ：对采集到的数据进行分析，包括滤波、特征提取和选择等操作。
3. 维护决策 ：根据数据分析结果制定有效的维护策略。

下面是条件监测系统的流程：

graph LR
    A[数据采集] --> B[数据处理]
    B --> C[维护决策]
    B --> D[诊断 - 故障检测与隔离]
    A --> E[原始信号 - 加速度、速度、扭矩]
    E --> F[预处理 - 滤波]
    F --> G[特征提取 -