基于旋转机械滚动轴承的时域故障诊断方法

发布时间：2021-11-18 08:27

　　针对旋转机械滚动轴承的故障问题,本文提出了一种时域故障诊断方法。首先对滚动轴承的原始振动信号进行3层的小波包分解,并选取前4个小波系数进行重构,接着在时域分析上对每1个小波系数分别提取7个特征值,然后通过BP神经网络获得滚动轴承故障分类的结果。最终实验表明,该方法有效地解决了滚动轴承存在的故障问题,确保了旋转机械安全、可靠、稳定地运行。 

【文章来源】：自动化技术与应用. 2020,39(08)

【文章页数】：6 页

【图文】：

图1 时域分析上的故障诊断方法

人工神经网络可以说是仿生学的概念，代表的是一种可以表述人脑功能和结构的复杂数学模型。然而，随着技术的大力发展，神经网络技术广泛应用于不同领域，特别在大数据、自动化、以及故障诊断等方向上[3]。另外在神经网络中每一个神经元的结构组成比较单一，但如果众多的神经元汇集组合起来将成为一个复杂的神经网络系统[4]。目前，在众多神经网络中，在故障诊断上BP神经网络是使用频率最高的神经网络模型[5]。同时，BP神经网络由输入层、隐含层、输出层三部分构成，如图3所示，且其可用英文表述为Back Propagation，简写为BP。图3 BP神经网络结构图

图2 小波包的分解图此外，结合图3分析可得，[i1,i2,…，ie]为神经网络的输入信号，e代表的是时域特征值，且1≤e≤7;[wq1,wq2,…，wqe]为神经网络每一层之间的连接权向量；θ代表为一个阈值；f(x)为激活函数，代表输出与输入信号的关系；[o1,o2,…oe]为神经网络的输出信号，可表示为：

【参考文献】：
期刊论文
[1]基于多传感器的神经网络和D-S证据理论在故障诊断中的应用[J]. 周国宪,伍星,刘韬.  测试技术学报. 2017(04)
[2]离心泵转子的故障诊断与修复[J]. 林水泉,张清华,孙国玺,胡勤,覃爱淞.  广东石油化工学院学报. 2016(04)

硕士论文
[1]基于小波分析和神经网络的模拟电路故障诊断方法研究[D]. 刘杰.贵州大学 2017
[2]基于神经网络的机械故障诊断技术的研究[D]. 高芮.青岛科技大学 2016
[3]基于小波分析的滚动轴承故障诊断方法研究与应用[D]. 崔宝珍.中北大学 2005



本文编号：3502561