基于小波奇异熵与SOFM神经网络的电机轴承故障识别

发布时间：2018-04-17 01:24

本文选题：小波包分解 + 小波奇异熵　；参考：《振动与冲击》2017年10期

【摘要】：提出一种用小波奇异熵(WSE)和自组织特征映射(SOFM)神经网络进行电机轴承故障识别的建模方法。首先通过对电机驱动端和风扇端采集的故障振动信号的小波奇异熵的计算和比较来识别故障轴承的端位;在此基础上以故障端信号的小波包分解底层各结点能量为特征向量输入建立自组织特征映射神经网络模型来识别故障轴承内部的具体点蚀破坏位置。小波奇异熵和SOFM神经网络的结合实现了故障轴承端位及其内部点蚀位置的联合识别。分别对含有内外圈和滚动体点蚀故障的轴承进行建模和识别试验,结果表明:该模型可以有效地识别电机故障轴承的端位及其内部点蚀破坏位置;与传统支持向量机和BP神经网络识别模型相比,该模型故障识别准确率更高,识别稳定性更好,更适宜于故障识别这样的多分类问题。
[Abstract]:A modeling method for motor bearing fault identification using wavelet singular entropy (WSE) and self-organizing feature mapping (SOFM) neural network is proposed.Firstly, the end position of the fault bearing is identified by the calculation and comparison of the wavelet singular entropy of the fault vibration signals collected by the motor drive and the fan.On this basis, a self-organizing feature mapping neural network model is established based on wavelet packet decomposition of the signal at the fault end as eigenvector input to identify the specific site of pitting failure inside the fault bearing.The combination of wavelet singular entropy and SOFM neural network realizes the joint recognition of fault bearing end position and its internal pitting position.The results of modeling and identification tests on bearings with internal and external ring and rolling body pitting corrosion fault show that the model can effectively identify the end position of motor fault bearing and its internal pitting failure position.Compared with the traditional support vector machine and BP neural network recognition model, this model has higher accuracy and better recognition stability, and is more suitable for multi-classification problems such as fault recognition.
【作者单位】：重庆大学机械传动国家重点实验室;重庆大学汽车工程学院;
【基金】：国家自然科学基金(51275540)
【分类号】：TM307

【参考文献】

相关期刊论文前10条

1 张云强;张培林;吴定海;李兵;;基于最优广义S变换和脉冲耦合神经网络的轴承故障诊断[J];振动与冲击;2015年09期

2 王冰;刁鸣;宋凯;;基于小波奇异熵和相关向量机的氢气传感器故障诊断[J];电机与控制学报;2015年01期

3 胥永刚;孟志鹏;陆明;;基于双树复小波包变换和SVM的滚动轴承故障诊断方法[J];航空动力学报;2014年01期

4 王小玲;陈进;从飞云;;基于时频的频带熵方法在滚动轴承故障识别中的应用[J];振动与冲击;2012年18期

5 张玲玲;赵懿冠;肖云魁;骆诗定;廖红云;潘全先;;基于小波包-AR谱的变速器轴承故障特征提取[J];振动.测试与诊断;2011年04期

6 赵元喜;胥永刚;高立新;崔玲丽;;基于谐波小波包和BP神经网络的滚动轴承声发射故障模式识别技术[J];振动与冲击;2010年10期

7 窦东阳;赵英凯;;基于分类器组的轴承故障识别方法研究[J];振动与冲击;2010年10期

8 向玲;唐贵基;胡爱军;;旋转机械非平稳振动信号的时频分析比较[J];振动与冲击;2010年02期

9 张莹;潘保芝;;基于主成分分析的SOM神经网络在火山岩岩性识别中的应用[J];测井技术;2009年06期

10 雷璐宁;石为人;范敏;;基于改进的SOM神经网络在水质评价分析中的应用[J];仪器仪表学报;2009年11期

相关期刊论文前10条

1 张晴;高军伟;张彬;毛云龙;董宏辉;;基于小波包-GABP的滚动轴承故障诊断分析[J];青岛大学学报(工程技术版);2017年02期

2 任学平;王朝阁;张玉皓;王建国;;基于双树复小波包自适应Teager能量谱的滚动轴承早期故障诊断[J];振动与冲击;2017年10期

3 贺岩松;黄毅;徐中明;张志飞;;基于小波奇异熵与SOFM神经网络的电机轴承故障识别[J];振动与冲击;2017年10期

4 王建平;郝钊;朱程辉;;基于相空间重构的光纤周界信号识别算法研究[J];合肥工业大学学报(自然科学版);2017年05期

5 王强;王莉;李伟伟;;基于IPSO-LS-SVM的异步电动机转子故障诊断[J];测控技术;2017年05期

6 柴愈坤;冯沙沙;王华;;致密砂岩储层物性参数建模方法探讨[J];中外能源;2017年05期

7 邓飞跃;唐贵基;;基于时间-小波能量谱样本熵的滚动轴承智能诊断方法[J];振动与冲击;2017年09期

8 封杨;黄筱调;洪荣晶;陈捷;;基于圆域分析的大型回转支承初期故障诊断[J];振动与冲击;2017年09期

9 范强龙;刘文白;孔戈;高建卫;;马赛克墙面质量检测研究[J];住宅科技;2017年04期

10 司景萍;马继昌;牛家骅;王二毛;;基于模糊神经网络的智能故障诊断专家系统[J];振动与冲击;2017年04期

相关期刊论文前10条

1 毕晓君;柳长源;卢迪;;基于PSO-RVM算法的发动机故障诊断[J];哈尔滨工程大学学报;2014年02期

2 张云强;张培林;任国全;;简化PCNN在磨粒图像颜色特征提取中的应用[J];内燃机工程;2013年05期

3 胥永刚;孟志鹏;陆明;;基于双树复小波包变换的滚动轴承故障诊断[J];农业工程学报;2013年10期

4 李辉;郑海起;唐力伟;;基于改进双树复小波变换的轴承多故障诊断[J];振动.测试与诊断;2013年01期

5 沈默;廖瑛;尹大伟;;RVM在航空发动机故障诊断中的应用研究[J];计算机工程与应用;2012年25期

6 李辉;郑海起;唐力伟;;基于双树复小波包峭度图的轴承故障诊断研究[J];振动与冲击;2012年10期

7 杨宇;王欢欢;程军圣;邹宪军;;基于LMD的包络谱特征值在滚动轴承故障诊断中的应用[J];航空动力学报;2012年05期

8 蔡艳平;李艾华;石林锁;许平;张玮;;基于EMD-WVD振动谱时频图像SVM识别的内燃机故障诊断[J];内燃机工程;2012年02期

9 迟华山;王红星;郭奇;赖淑蓉;;短时傅里叶变换在线性调频信号时频滤波中的应用[J];电讯技术;2012年02期

10 艾延廷;费成巍;;转子振动故障的小波能谱熵SVM诊断方法[J];航空动力学报;2011年08期

相关期刊论文前10条

1 胡子义;彭岩;;基于AHP-SOFM的建筑工程评标决策模型研究[J];计算机应用与软件;2008年05期

2 张博洋,吴晓娟,葛庆国;基于SOFM神经网络的动态手势分割技术的研究[J];山东大学学报(工学版);2004年01期

3 李乐;嵇成新;;基于SOFM神经网络的多目标跟踪方法[J];四川兵工学报;2009年04期

4 傅明,郑斌;基于SOFM网络的关键词排序[J];长沙交通学院学报;2003年02期

5 潘亚磊;李天剑;陈晓;;基于SOFM算法的光源亮度控制方法[J];北京信息科技大学学报(自然科学版);2013年06期

6 曹守华;袁振洲;韩宝明;李得伟;;基于SOFM神经网络的客运一体化枢纽分类[J];北京交通大学学报;2008年06期

7 刘雪梅;张树生;董文胜;黄绍林;;逆向工程中基于SOFM和FCM的组合分区算法[J];中国机械工程;2007年02期

8 谌德荣;陶鹏;宫久路;范宁军;;一种基于SOFM神经网络的高光谱图像快速分类方法[J];兵工学报;2009年02期

9 朱家元;刘庆华;刘根;;基于SOFM网络的雷达装备智能故障诊断[J];空军雷达学院学报;2010年03期

10 冯长建,丁启全,吴昭同,童进;SOFM和HMM在旋转机械升降速全过程故障诊断中的应用[J];上海海运学院学报;2001年03期