基于神经网络分类与小波变换的轴承故障诊断V1.1解析.doc

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，Wang 和 McFadden[5]是对传动装置的振动信号应用WT分析的开拓者，结果显示小波能够同时检测机械的初期和不同类型的故障。 在1999年，Newland[6]用几个计算方法和他应用在振动信号分析的例子介绍了WT在工程领域的应用，同时作者提出了短暂信号的谐波小波和识别的成功产生和过程。Newland的工作使得小波在工程中的应用广泛流行起来，尤其是对振动信号的分析。Wang et al. [7] 通过试验研究了目前普遍接受的技术的和鲁棒性Liu et al. [8]提出了一种基于小波数据的球轴承故障诊断方法，小波数据的系数被作为显著的特征，结果显示他们对于故障诊断具有较高的灵敏度。Aminian et al.[9]用WT方法基贝叶斯神经网络发展成了一个故障诊断系统，信号的标准化和主要部件作为预处理机。Loparo et al. [1],基于WT方法使用模糊分类器来诊断轴承故障，用DWT系数的标准偏差来实现生成典型的向量。Farías et al. [10]分析了DWT应用的影响，作为一个图像分类性能的信号处理工具，他们定义了工作区最好结果的WT参数。Peng et al. [11]进行了关于WT在检测和机器故障检测中应用的书目的检查。 许多研究小波最适应过程信号的类型明显的不确定性Liu et al. [12]，对柴油机引擎故障诊断运用了一种新的方法，他们获得了故障中小波所具有的相对信息中的一个共同值。这一方法在Mallat的通信技术中得到延伸[2].Goumas et al. [13],基于DWT和故障分类器作为标准偏差和Bayes的理论对洗衣机的故障诊断进行了研究，成功率为87 %.总之,多种故障特征获得,主要是小波系数或小波能量。因为小波系数将突出信号变化,小波系数适用于故障检测。然而,由于细微变化通常小能量变化。因此,小波发现早期故障FAG 7206 B，具有13个滚动元素，40o的接触角。图1呈现的是测试实验室及其相关配件；从右手边下面的是可见的轴向和径向气动活塞,包含分析轴承8.5 KHz的加速度计Brüel Kjaer 4383两个单行圆锥滚子轴承SKF 32007XRPM的照片测速装置，一个V-belt直接连接到电动机传动皮带轮采集系统包括一个BK140 KHz频宽的NEXUS放大器1 MHz的采样频率的Keithley DAS-1200　轴承测试实验室(i)在正常的条件下；(ii)内圈故障；(iii)外圈故障；(iv)球故障。通过一个电动笔模拟损伤在滚动球情况下,多个槽的表面执行模拟现象。这并不总是适用的一个更复杂的信号处理方法是必要的我们的方法的第一步是测试数据进行小波分析处理(ii)内圈故障；(iii)外圈故障；(iv)球故障 3.1小波理论的简要回顾傅里叶变换的信号的时间变化域与频域,使用三角函数作为基函数另一方面,小波变换(WT)变化的一个信号空间域的尺度域通过基础函数的有限能量,称为小波通过这种方式,小波基函数系数生成。不能使用分析方程、积分等因此,一个WT离散化是必要的,和MRA (多分辨率分析)是来它最合适的形式MRA包含应用递归滤波器计算小波分解f [n],对信号进行分析，一个离散函数，DET作为等式被给出 (1): 参数τ和s根据二元模型定义，在等式中呈现. (2): j代表分解等级，k是变换因素。