基于EMD及改进PSO_BP的电机轴承故障诊断.pdfVIP

控技术

试验与测试

2020年第39卷第11期

基于EMD及改进PSO_BP的电机轴承故障诊断

陈之恒，宋冬利，张卫华，邓聪，董俭雄

(西南交通大学牵引动力国家重点实验室，四川成都610031)

摘要：针对电机轴承故障模式识别和分类问题，提出了采用EMD(EmpiricalModeDecomposition)作为振

动信号特征提取的方法，并利用改进的粒子群优化(ParticleSwarmOptimization,PSO)算法来优化BP神

经网络，得到性能优异的分类器，以实现电机轴承的故障模式分类。首先利用EMD将原始电机振动信

号分解为8个阶次的IMF(IntrinsicModeFunction)分量，计算每个IMF的能量，并求其占比。分析得到

前6阶IMF能量占比在前99%以内，故选取前6阶IMF分量并结合原始振动信号的时域特征参数(峰

值因子、波形因子、裕度指标)，得到9维特征参数矩阵。并对获得的特征参数进行主成分分析，以验证

特征参数提取的有效性。然后将基于EMD方法的特征参数矩阵作为改进PSO_BP(ParticleSwarmOpti­

mizationwithBackPropagationNeuralNetwork)方法的输入向量，对不同载荷与转速工况下的电机轴承进

行故障模式式别。结果表明，基于EMD和改进PSO_BP的方法能够很好地提高电机轴承故障模式识别

的准确率。

关键词：EMD；时域特征参数；PSO；BP神经网络;故障诊断

中图分类号:TH133.33；TP319.4文献标识码:A文章编号：1000-8829(2020)11-0033-06

doi：10.19708/j.ckjs.2020.11.325

FaultDiagnosisofMotorBearingBasedonEMDandImprovedPSO_BP

CHENZhi-heng,SONGDong-li,ZHANGWei-hua,DENGCong,DONGJian-xiong

(StateKeyLaboratoryofTractionPower,SouthwestJiaotongUniversity,Chengdu610031,China)

Abstract：Aimingattheproblemsofmotorbearingfaultpatternrecognitionandclassification,anEMD(Empiri­

calModeDecomposition)methodisproposedasavibrationsignalfeatureextractionmethod,andtheimproved

PSO(ParticleSwarmOptimization)algorithmisusedtoenhancetheBPneuralnetworktoobtaintheclassifier

withexcellentperformance,soastorealizethefaultmodeclassificationofmotorbearing.Firstly,EMDwas

usedtodecomposetheoriginalmotorvibrationsignalintoeightorderIMFcomponents,andtheenergyofeach

IMF(IntrinsicModeFunction)wascalculatedanditsproportionwascalculated.Theenergyratioofthefirstsix