毕业答辩基于HHT和模糊神经网络的滚动轴承故障诊断研究.pptxVIP

第1页/共22页毕业答辩基于HHT和模糊神经网络的滚动轴承故障诊断研究第2页/共22页概述课题研究背景及意义 滚动轴承是大型旋转机械设备中的关键部件，其故障发生率比较高，轴承故障会产生强烈的噪声，对操作人员也十分有害。 对滚动轴承进行故障诊断可以避免经济的损失，及时解决设备的安全隐患，在机械故障诊断领域具有重要的意义。以瑞典SKF公司的6205-2RS JEM深沟球轴承为研究对象第3页/共22页论文的主要内容论文技术路线滚动轴承故障诊断复杂故障信号分析直接利用小波包降噪采用EMD分解，利用小波包降噪信噪比EMD分解模态混叠采用EMD的改进算法EEMD，根据白噪声的概率分布特点，再结合分布拟合检验选取有用IMF导入ANFIS进行训练和测试导入BP神经网络进行训练和测试收敛速度重构IMF分量，利用包络谱进行诊断误差精度第4页/共22页论文的主要内容滚动轴承实验平台 本文所采用的数据来自于美国凯斯西储大学轴承实验中心，上图为轴承实验平台，左边是电动机，中间是扭矩换能器，右边是测力计。第5页/共22页论文的主要内容EMD-小波包去噪 对滚动轴承内圈故障信号进行EMD分解，得到IMF分量及每一层分量对应的频谱图第6页/共22页论文的主要内容论文的主要内容对IMF1分量进行小波包去噪将去噪的IMF1分量和其余IMF分量重构得到降噪结果第7页/共22页论文的主要内容各种故障类型的信噪比信噪比无故障内圈故障外圈故障滚动体故障原始信号20.00763.16706.06462.2035小波包去噪28.824711.706512.864724.1126EMD-小波包去噪28.824416.826113.087426.4911第8页/共22页论文的主要内容自适应神经模糊推理系统滚动轴承故障信号经EMD-小波包进行去噪预处理利用小波包进行特征向量的构造分为训练组和测试组将其导入ANFIS和BP神经网络进行训练和测试第9页/共22页论文的主要内容ANFIS的训练误差曲线，训练至5步基本收敛，误差精度为6.9347×10-5BP神经网络的训练误差曲线，训练1000步才能将误差收敛到2.1811×10-5。虽然比ANFIS的训练误差低一些，但是这是在耗时长，训练步数多的基础上实现的。第10页/共22页论文的主要内容滚动体外圈内圈采用ANFIS故障诊断法测试结果，在300个测试样本中有299组正确，诊断正确率为99.67%，BP神经网络的正确率仅为90.67%。第11页/共22页论文的主要内容EEMD-分布拟合检验去噪法EEMD结合分布拟合检验对轴承故障信号进行去噪，提取有用的IMF分量，去除无意义IMF分量，达到降噪的目的第12页/共22页论文的主要内容 EEMD-分布拟合检验算法流程图第13页/共22页论文的主要内容内圈故障信号经过EEMD的分解结果及正态概率图服从正态分布，作为无用IMF分量第14页/共22页论文的主要内容 为了提高检验的可信度，本文又采取了一种检验方式：Jarque-Bera test。cic1c2c3c4c5c6c7H1110001 测试结果H=1说明拒绝为正态分布，作为有用IMF分量保留；H=0说明接受为正态分布，作为无用IMF分量去除。第15页/共22页论文的主要内容利用包络谱对轴承进行故障诊断重构后的内圈故障信号及其对应的包络谱根据理论计算轴承的转频 Hz，内圈故障频率 Hz，第16页/共22页论文的主要内容外圈故障信号经过EEMD的分解结果及正态概率图服从正态分布，作为无用IMF分量第17页/共22页论文的主要内容 为了提高检验的可信度，本文又采取了一种检验方式：Jarque-Bera test。cic1c2c3c4c5c6c7H1001011 测试结果H=1说明拒绝为正态分布，作为有用IMF分量保留；H=0说明接受为正态分布，作为无用IMF分量去除。第18页/共22页论文的主要内容利用包络谱对轴承进行故障诊断重构后的外圈故障信号及其对应的包络谱根据理论计算轴承的转频 Hz，外圈故障频率 Hz，保持架的故障特征频率Hz第19页/共22页结论和展望结论(1) 利用EMD结合小波包对滚动轴承进行降噪， 结合了两种方法的优点，可以有效地提高信号 的信噪比。(2) ANFIS与BP神经网络相比，训练时的收敛速度 更快，最终得到的诊断正确率更高。(3) 利用EEMD结合分布拟合检验可以很好地选择 出有用IMF分量，提高了后期的诊断精度。(4) 降噪后的信号利用包络谱可以很明显地识别出 滚动轴承的各种故障特征频率，提高了诊断结 果的正确性。第20页/共22页结论和展望展望研究中主要考虑滚动轴承的单一故障，进一步研究可以从复合多故障入手，利用EMD或EEMD进行多故障复合的故障诊断。(2) 研究中利用EEMD对滚动轴承进行故障诊断，