基于小波分析和BP神經網絡的滾動軸承故障診斷方法研究.pdf

1、滾動軸承是旋轉機械設備的重要組成部分,也是機械設備的主要故障來源之一,每年都有很多設備故障是由軸承引起的,造成較大的經濟損失,滾動軸承的好壞直接影響到設備乃至整個生產過程,因此研究滾動軸承的故障監(jiān)測和診斷技術具有重要的理論價值和實際意義。
　　滾動軸承故障監(jiān)測和診斷通常是以采集到的軸承振動信號為樣本,通過分析采集到的軸承信號,提取信號的特征作為軸承運行狀態(tài)判斷依據(jù),通過計算和分析來判定軸承的狀態(tài)。一方面采集到的軸承信號中含有大量的

2、噪聲和非線性沖擊,軸承的特征信息經常淹沒在這些噪聲中不易區(qū)分;另一方面選取合適的故障診斷方法也至關重要。
　　在分析各種故障診斷算法的原理及應用的基礎上,以 SKF6205-2RS軸承的實驗測試數(shù)據(jù)為樣本,采用小波分析和EMD(Empirical Mode Decomposition,經驗模態(tài)分解)對軸承的信號進行去噪,結果表明小波分析和EMD相結合的去噪方法能有效的抑制信號的噪聲,強化信號的特征。利用小波包分析的高分辨率特征,將

3、去噪后的信號分解到不同的頻帶內,提取各頻帶內的信號特征構成故障特征向量,結果表明小波包分析法能有效提取信號的局部特征,提取的特征向量能有效表征信號的不同特征。
　　為了能夠有效的識別和判斷軸承的運行狀態(tài),以BP神經網絡作為軸承故障診斷網絡,采用PSO(Particle Swarm Optimization,粒子群優(yōu)化)算法對BP神經網絡進行優(yōu)化和改進,以經驗公式和試驗相結合的方法來確定網絡的隱含層節(jié)點數(shù),結果表明 PSO算法能有效