读研之掉进故障检测（三）---基于SDP图像EMD和改进Chebyshev距离的轴承故障诊断（论文学习）_故障sdp图像

读研之掉进故障检测—Bearing fault diagnosis based on EMD and improved Chebyshev distance in SDP image

文章目录

• 读研之掉进故障检测---Bearing fault diagnosis based on EMD and improved Chebyshev distance in SDP image
• • @[TOC](文章目录)
• 前言
• 一、摘要
• 二、方案设计
• • 2.1 SDP方法的基本原理
  • 2.2 改进的切比雪夫距离
  • 2.3 组织结构图
• 三、实验与结果分析
• • 3.1 数据介绍
  • 3.2 实验实施
  • 3.3 分类规则
  • 3.4 准确度验证
• 四、总结
• 个人总结

前言

读研之掉进故障检测（三）
论文来自于《Measurement》二区的论文，作者：Yongjian Sun ∗, Shaohui Li, Xiaohong Wang
论文网址为https://www.sciencedirect.com/science/article/pii/S0263224121001287
（二）是使用CNN对CWRU轴承数据集进行简单的故障检测。

一、摘要

------论文提出了一种基于经验模态分解（EMD）和改进切比雪夫距离的轴承故障诊断方法。归一化后，将每组样本数据平均分成10等份。该方法利用经验模态分解（EMD）将等分量信号分解为若干个本征模函数，保留前5个本征模函数分量，并采用对称化点模式（SDP）方法将其在极坐标系下对称化，对每个SDP图像进行二值化和局部化处理，然后对局部SDP图像进行平均，得到均值图像作为基准。通过计算去噪后平均矩阵的最大特征值，构造了改进的Chebyshev距离，弥补了各IMF分量的局部矩阵与平均矩阵之间的差距。该方法利用改进的切比雪夫距离作为特征量，能够有效地诊断滚动轴承故障。最后通过实验验证了该方法的准确性和鲁棒性。

二、方案设计

2.1 SDP方法的基本原理

------对称点图是一种不同于时频分析的方法.与传统的时域和频域图像相比，该图像更简单，特征更明显。SDP可以将振动信号转换成极坐标系下的对称图像，不同的信号产生不同的对称图像。以下三个公式是SDP的计算公式。

其中r(n)是极象半径，θ（n）是极坐标的逆指针旋转角度，φ（n）是极坐标的顺时针旋转角度。$x_n$是时间n处的幅值，$x_{n+l}$是时间n+l处的幅值,$x_{min}$是振动信号的最小值，$x_{max}$是振动信号的最大值，θ是镜像对阵平面的旋转角，g是角放大系数，l是时间间隔系数。通过大量的实验发现