基于EEMD和BP神经网络的风机齿轮箱故障诊断方法.pdfVIP

第35卷第1期　 东 北 电 力 大 学 学 报 Vol.35,No.1 2015年2月 Journal Of Northeast Dianli University Feb. ,2015 - - - 文章编号:1005 2992(2015)01 0064 09 基于 EEMD和 BP神经网络的风机齿轮箱 故障诊断方法 1 1 2 1 3 游子跃 ,王　 宁 ,李明明 ,李亚强 ,王　 皓 (1.吉林大学 通信工程学院,长春 130022;2.吉林大学 网络中心,长春 130022;3.天津海运职业学院,天津300350) 摘　 　 　 要:根据风机齿轮箱故障信号的非平稳特性,提出一种基于总体平均经验模式分解(EEMD)和 BP神经网络的风机齿轮箱故障诊断方法。 首先,对原始信号进行小波去噪。 然后,对故障信号进行 EEMD分解,将其分解为多个固有模态函数(Intrinsic Mode Function,简称IMF)之和,选取若干含有主要 故障信息的IMF分量做进一步分析。 最后,从各IMF分量中提取故障信号能量特征参数,将归一化后 的能量特征参数作为BP神经网络输入参数进行故障诊断。 实测结果表明:该方法故障诊断准确率达到 了99%左右。 可以准确、有效的对风机齿轮箱进行故障诊断。 关 键 词:风机齿轮箱;故障诊断;EEMD;神经网络;小波变换;LabVIEW 中图分类号:TH131;TH132　 　 　 　 文献标识码:A 齿轮箱是风力发电机的核心部件,由于齿轮箱中的部件长期处于高负荷、快转速的工作状态,在持 续的冲击下,齿轮箱内的零件很容易发生故障,并且由于其内部结构复杂,故障诊断难度较大,因此是近 - [1 3] 年来研究的热点课题之一 。 - [4 6] 传统的信号处理方法主要有时域分析和频域分析方法,其主要针对平稳信号进行处理 。 但齿 轮箱出现故障时,其振动信号由于调幅调频现象会呈现强烈的非平稳特性。 经验模态分解(EMD)是 1998年N.E.Huang提出的一种时频分析方法,因其在齿轮箱故障信号处理方面的良好表现,现已迅速 - [7 9] 发展并得到广泛应用 。 EMD方法可根据故障信号自身的特征进行分解,具有自适应性,得到的本征 模态分量突出了数据的局部特征。 但是EMD有时会出现模态混叠的现象,影响分解效果,不利于解析 序列分量的真实物理意义,降低了预测模型对各分量的适应性,进而影响到诊断精度。 总体平均经验模 式分解(Ensemble EMD,简称EEMD)是EMD方法的改进,通过噪声辅助对齿轮箱故障信号进行分析, [10] 以减弱模态混叠现象的影响,进一步改善分析效果 。 由于齿轮箱的故障模式和特征量之间是一种非常复杂的非线性关系,再加上齿轮箱在不同工况下 [11] 的随机因素,所以专家系统的经验并不能解决所有的诊断问题 。 人工神经网络具有大规模分布式并 行处理、非线性、自组织、自学习、联想记忆等优良特性,因此可作为故障诊断的一种先进手段。 据统计,