基于EMD与神经网络的滚动轴承故障诊断方法.pdfVIP

维普资讯 振 动 与 冲 击 第24卷第 1期 JOURNALOFVIBRATION ANDSH0CK 基于 EMD与神经网络的滚动轴承故障诊断方法 杨 宇 于德介 程军圣 (湖南大学机械与汽车工程学院，长沙 410082) 捅 要 针对滚动轴承故障振动信号的非平稳特征，提出了一种基于经验模态分解(EmpiricalModeDecomposition ， 简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验 模态分解，将其分解为多个平稳 的固有模态函数(IntrinsicModefunction，简称 IMF)之和，再选取若干个包含主要故障信息的IMF分量进行进一步分析， 由于滚动轴承发生故障时，加速度振动信号各频带的能量会发生变化，因而可从各 IMF分量中提取能量特征参数作为神 经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明，以 EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有 更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类型。 关键词：滚动轴承，EMD，能量，神经网络，故障诊断 中图分类号：TH133 文献标识码：A 0 引 言 解，该方法基于信号的局部特征时间尺度，可把信号 分解为若干个固有模态函数之和，分解出的各个 IMF 滚动轴承的故障诊断过程实质上就是一个模式 分量突出了数据的局部特征，对其进行分析可以更准 识别的过程，人工神经网络以其非线性模式分类性能 确有效地把握原数特征信息。此外，由于每一个 IMF 和很强的自组织、自学习能力，在滚动轴承的故障诊 所包含的频率成分不仅仅与采样频率有关，而且更为 断中得到了广泛应用 ¨ 。但网络的识别效果依赖于 重要的是它还随着信号本身的变化而变化，因此EMD 所提取的特征参数的有效性和网络参数的选取 。 方法是一种 自适应的信号分解方法，具有很高的信噪 其中，故障特征参数的提取是故障诊断中最重要、最 比，非常适用于非平稳、非线性过程。 关键的问题之一，它直接关系到滚动轴承故障诊断的 本文拟将 EMD方法与神经网络结合起来，对滚 准确性。在信号的分析过程中，时间尺度和随时间尺 动轴承进行故障诊断。即以EMD作为振动信号的预 度分布的能量是信号的两个最主要参数。事实上，当 处理器，以BP网络作为分类器，提取 EMD分解后的 滚动轴承发生故障时，振动信号各频带的能量会发生 变化，因此，在各频带信号的能量中包含了丰富的故 平稳 IMF分量的能量特征指标作为网络的特征参数， 障信息 J，因而可根据滚动轴承振动信号的各频带能 对故障轴承和正常轴承进行分类。同时，为了将EMD 量的变化来进行滚动轴承故障分析。小波变换 (wT) 方法与小波包分析方法进行比较分析，还对原始信号 可将信号在不同的尺度上展开，并可提取信号在不同 进行了小波包分解，对分解重构后的时间序列也相应 频带上的特征，且同时保留信号在各个尺度上的时域