基于MFCC与PCA的滚动轴承故障诊断

基于MFCC与PCA的滚动轴承故障诊断*
王前,于嘉成,宁永杰
【摘要】摘要：针对振动传感器不易安装、传统分类算法训练时间较长等问题，提出了基于美尔倒谱系数(MFCC)与主成分分析(PCA)的滚动轴承故障诊断方法。

首先利用声音传感器采集滚动轴承声音信号,而后提取声音信号的MFCC 特征, 最后将MFCC特征作为PCA分类器的输入进行故障分类，并与反向传播神经网络(BPNN)、支持向量机(SVM)进行比较硏究。

实验结果表明：MFCC系数可以有效反应轴承不同工作状态下的信号特征；基于MFCC与PCA的轴承故障诊断方法能够准确、有效地识别轴承故障类型。

【期刊名称】组合机床与自动化加工技术
【年(卷)，期】2017(000)012
【总页数】3
【关键词】轴承；故障诊断；美尔倒谱系数
0引言
滚动轴承是旋转机械中的重要组件,它在旋转机械中起关键作用，其工作状态正常与否直接影响整台机组的性能，因此，能否快速、精准地检测出轴承故障的
存在和严重程度对于保障轴承安全可靠地运行和减少设备停机成本意义重大［1］。

传统的振动信号故障诊断技术因为接触式测量、传感器不易安装等缺点，并不适用于某些特点场合,如高温、高腐蚀场合［2］,因此，基于声音信号的故障诊断技术成为近几年比较新的课题⑶。

MFCC特征因其提取简单、预测精度高、抗噪性能好等特点，已在语音识别领域获得了广泛应用［4］。

因此，
本文将
MFCC参数用于轴承声音信号特征的提取。