基于神经网络分类与小波变换的轴承故障诊断V1.1范文.docVIP

基于神经网络分类与小波变换的轴承故障诊断 摘要：几十年故障分类一直是一个重要的模式识别问题在所有的电机驱动系统的性能轴承发挥重要作用状态监测和故障诊断的目的是在机械探测和区分发生故障降低运营和维护成本,提高安全水平这最近的一项研究采用小波分解处理加速度计信号和识别带模式特征选定的特征提取振动签名所获得这些都是人工网络的三种类型输入调整来识别三个不同的旋转速度轴承条件电机驱动的实验系统正常轴承内圈故障轴承振动信号最后给出实验结果那些目前在这一领域最好后面的部分一些人工智能方法设计如网络体系结构、性能和实现这结果表明的诊断方法不同的群体可以可靠地检测和分类四个不同的轴承故障条件小波、人工网络、故障诊断信号处理、模式 1 引言 大多数机械使用在现代世界通过电机和旋转部件操作发故障旋转机有效的监控条件提供了一个很好的经济改善作为一部分的机器保养任务有必要分析外部相关信息以评估内部组件的状态,一般来说,不同技术已经被应用于为了研究机器的通用动力行为和机制元素从傅里叶的经典分析小波分析[3]新时扮演主要角色故障检测在机械旋转部分,需要提高电流效率和性能(WT),对于机器的故障检测，在过去15年里已经得到了广泛的发展。在1990年，Leducq[4]运用了WT分析了一个离心泵的液压噪声，这可能是第一个与小波应用有关的故障诊断工作。此外，大部分WT应用已经在传动装置上得到进行，在1993年，Wa