滚动轴承故障信号处理方法与诊断试验研究.pdfVIP

2014年9月 机床与液压 Sep．2014 第42卷 第 17期 MACHINE T00L HYDRAULICS Vo1．42No．17 DOI：10．3969／j．issn．1001—3881．2014．17．049 滚动轴承故障信号处理方法与诊断试验研究 徐卫晓，谭继文 ，温国强 (青岛理工大学，山东青岛266033) 摘要：分析了滚动轴承故障振动信号的非线性、非平稳性特征，基于经验模态分解法 (EMD)在处理此类信号中的优 势，研究了滚动轴承故障信号的时频分析处理方法。通过EMD法将滚动轴承故障原始振动信号分解为多个平稳的IMF分 量之和；选取前8个IMF能量值作为频域特征并结合时域特征构成故障振动信号特征集合 ，作为BP神经网络的输入；建 立了滚动轴承故障诊断的BP神经网络模型，利用BP网络的自学习机制进行网络训练，得到了输入特征与故障模式之间的 映射关系；通过对滚动轴承不同类别的故障诊断试验，验证了该方法的可行性。 关键词：滚动轴承 ；经验模态分解；IMF分量；故障诊断；BP神经网络 中图分类号：TG659 文献标识码：A 文章编号：1001—3881(2014J17—182—5 RollingBearingFaultSignalProcessingM ethodandDiagnosticTestsResearch XU Weixiao，TANJiwen，WEN Guoqiang (QingdaoTechnologicalUniversity，QingdaoShandong266033，China) Abstract：Analysisoftherollingbearingfaultvibrationsignalofthenonlinearandnon—stationarycharacteristics，usingthemeth— odofempiricalmodedecomposition(EMD)inthetreatmentoftheadvantagesofthiskindofsignal，thetime—frequencyanalysismeth— odisstudiedforthefaultsignaloftherollingbearing．TherollingbearingvibrationsignalthroughtheEMDmethodwasdecomposedin— toanumberofstablesumofintrinsicmodefunctions(IMF)component．SelectedthetopeightIMFenergyvalueasfrequencydomain featuresandcombinedwithtimedomainfeatures，sum offeaturesoffaultvibrationsignalswereconstructedastheBPneuralnetwork input．TheBP neuralnetworkmodelofrollingbearingfaultdiagnosiswassetup，byusingtheBPnetworkself-learningmechanism for networktraining，themappingrelationshipbetweeninputfeaturesandfaultmodewasgotten．Basedondifferentcategoriesofrolling bearingfaultdiagnosisexperiment，provesthefeasibilityofthismethodisproved． Keywords：Rollingbearing；Empirical modedecomposition；Intrinsicmodefunctionscomponent；Faultdiagnosis；BP Neural network 0 前言 1 经验模态分解理论 滚动轴承