基于神经网络和证据理论的滚动轴承故障预测方法

发布时间：2021-07-09 07:22

　　传统的故障预测方法难以对不同工况下的滚动轴承故障进行有效预测,为此,提出了一种基于BP神经网络和DS证据理论的滚动轴承故障预测方法。首先采用擅长于处理非平稳信号的小波包分解对多个传感器采集的原始振动数据进行特征分析,然后对BP神经网络的结构和参数进行优化设置并使用多个BP神经网络分别进行故障预测模型训练,最后利用DS证据理论将多个神经网络得到的预测结果进行融合并输出最终预测结果。实验结果表明,该方法能对不同工况下的滚动轴承故障进行有效预测,故障预测平均准确率达96.37%;且与相关文献提出的方法相比,所提出的方法得到的滚动轴承故障预测准确率有所提升。 

【文章来源】：湖南工业大学学报. 2020,34(04)

【文章页数】：7 页

【部分图文】：

滚动轴承故障预测流程图

综合考虑收敛速度和准确率,选取最佳隐藏层节点数为12;输出层使用4个节点,分别表示4种状态(正常状态、内圈故障、滚动体故障和外圈故障),最终得到的神经网络结构如图2所示。确定神经网络结构后,首先,将训练集中基座端、驱动端、风扇端的特征向量,分别输入对应的神经网络进行训练,得到对应的神经网络模型和滚动轴承故障分类结果;然后,对分类结果进行验证,得到对应的混淆矩阵,如式(9)所示,其表明了神经网络对不同状态的分类效果。其中,下标a表示对应的神经网络(a可取1,2,3,分别表示基座端、驱动端、风扇端),各行下标为样本的真实状态,列下标为神经网络预测的分类结果,故cmij表示i类样本被神经网络判别为j类状态的样本数与真实状态为i类的样本总数之间的比值。

【参考文献】：
期刊论文
[1]基于1D卷积神经网络的滚动轴承故障诊断方法[J]. 于景洋,宁德军,毛建华.  工业控制计算机. 2019(06)
[2]基于卷积神经网络的滚动轴承故障诊断[J]. 贺思艳,任利娟,田新诚.  兵工自动化. 2019(03)
[3]基于改进的PSO算法优化FSVM的滚动轴承故障诊断[J]. 林雅慧,王海瑞,靖婉婷.  计算机应用与软件. 2018(11)
[4]基于移不变字典学习和稀疏编码的滚动轴承故障识别算法[J]. 曲建岭,余路,高峰,田沿平,李俨.  计算机应用研究. 2019(01)
[5]多源数据融合算法综述[J]. 祁友杰,王琦.  航天电子对抗. 2017(06)
[6]滚动轴承振动信号处理方法综述[J]. 胡智勇,胡杰鑫,谢里阳,佟安时,张啸尘.  中国工程机械学报. 2016(06)
[7]小波包分析和BP神经网络在滚动轴承故障模式识别中的应用[J]. 黄良沛,吴超威,王靖.  电子测量技术. 2016(04)
[8]基于时间-小波能量谱熵的滚动轴承故障诊断研究[J]. 唐贵基,邓飞跃,何玉灵,王晓龙.  振动与冲击. 2014(07)
[9]振动信号处理方法综述[J]. 李舜酩,郭海东,李殿荣.  仪器仪表学报. 2013(08)



本文编号：3273301