基于小波分析和BP神经网络的滚动轴承故障诊断方法研究

发布时间：2017-07-20 01:06

  本文关键词：基于小波分析和BP神经网络的滚动轴承故障诊断方法研究

  更多相关文章： 滚动轴承 小波分析 BP神经网络 故障诊断

【摘要】：滚动轴承是旋转机械设备的重要组成部分，也是机械设备的主要故障来源之一，每年都有很多设备故障是由轴承引起的，造成较大的经济损失，滚动轴承的好坏直接影响到设备乃至整个生产过程，因此研究滚动轴承的故障监测和诊断技术具有重要的理论价值和实际意义。 滚动轴承故障监测和诊断通常是以采集到的轴承振动信号为样本，通过分析采集到的轴承信号，提取信号的特征作为轴承运行状态判断依据，通过计算和分析来判定轴承的状态。一方面采集到的轴承信号中含有大量的噪声和非线性冲击，轴承的特征信息经常淹没在这些噪声中不易区分；另一方面选取合适的故障诊断方法也至关重要。 在分析各种故障诊断算法的原理及应用的基础上，以SKF6205-2RS轴承的实验测试数据为样本，采用小波分析和EMD(Empirical Mode Decomposition,经验模态分解)对轴承的信号进行去噪，结果表明小波分析和EMD相结合的去噪方法能有效的抑制信号的噪声，强化信号的特征。利用小波包分析的高分辨率特征，将去噪后的信号分解到不同的频带内，提取各频带内的信号特征构成故障特征向量，结果表明小波包分析法能有效提取信号的局部特征，提取的特征向量能有效表征信号的不同特征。 为了能够有效的识别和判断轴承的运行状态，以BP神经网络作为轴承故障诊断网络，采用PSO(Particle Swarm Optimization,粒子群优化)算法对BP神经网络进行优化和改进，以经验公式和试验相结合的方法来确定网络的隐含层节点数，结果表明PSO算法能有效提高BP神经网络的收敛速度，改善网络的精度，优化后的神经网络具有很好的可靠性。 建立基于小波分析和BP神经网络的故障诊断系统，，选取轴承数据对网络进行测试和验证，仿真结果表明建立的故障诊断系统具有较好的故障识别能力，能有效的检测轴承的不同运行状态。
【关键词】：滚动轴承 小波分析 BP神经网络 故障诊断
【学位授予单位】：兰州交通大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TH133.33;TH165.3
【目录】：

• 摘要4-5
• Abstract5-6
• 目录6-8
• 1 绪论8-12
• 1.1 论文选题背景和研究意义8-9
• 1.1.1 论文选题背景8
• 1.1.2 论文研究意义8-9
• 1.2 国内外研究现状9-11
• 1.3 论文的主要研究内容11-12
• 2 轴承故障信号分析方法12-24
• 2.1 滚动轴承的故障特征12-14
• 2.1.1 滚动轴承的结构及振动原理12-13
• 2.1.2 滚动轴承故障类型13-14
• 2.1.3 轴承振动信号的特征14
• 2.2 故障特征提取方法14-15
• 2.3 傅立叶分析法15-16
• 2.4 小波分析法16-18
• 2.4.1 小波分析的定义16
• 2.4.2 小波基函数16
• 2.4.3 连续小波变换16-18
• 2.4.4 离散小波变换18
• 2.5 小波包分析法18-20
• 2.6 EMD 分析法20-22
• 2.6.1 本征模函数20-21
• 2.6.2 EMD 分解过程21-22
• 2.6.3 EMD 分析法的优点22
• 2.7 数据的采集22-23
• 2.8 小结23-24
• 3 基于 BP 神经网络的故障诊断24-38
• 3.1 人工神经网络的基本原理24-28
• 3.1.1 神经元24-25
• 3.1.2 传递函数25-27
• 3.1.3 神经网络的特点27
• 3.1.4 神经网络的分类27-28
• 3.2 BP 神经网络28-31
• 3.2.1 BP 神经网络的结构28-29
• 3.2.2 神经网络的分类29-31
• 3.2.3 BP 神经网络的设计31
• 3.2.4 BP 神经网络的缺陷31
• 3.3 BP 神经网络的改进31-34
• 3.3.1 PSO 算法原理31-32
• 3.3.2 PSO 算法优化 BP 神经网络32-34
• 3.4 基于 PSO 算法的 BP 神经网络建模与仿真34-37
• 3.4.1 神经网络的建模34
• 3.4.2 神经网络的仿真34-37
• 3.5 小结37-38
• 4 小波分析和 BP 神经网络的故障诊断仿真38-48
• 4.1 故障诊断原理38
• 4.2 故障诊断步骤38-39
• 4.3 故障诊断仿真39-47
• 4.3.1 轴承故障信号39-40
• 4.3.2 轴承故障信号去噪40-41
• 4.3.3 故障特征提取41-45
• 4.3.4 故障状态识别45-47
• 4.3.5 故障诊断结果分析47
• 4.4 小结47-48
• 结论48-49
• 致谢49-50
• 参考文献50-53
• 攻读学位期间的研究成果53

【参考文献】

中国期刊全文数据库 前10条

1 张亚楠;魏武;武林林;;基于小波包Shannon熵SVM和遗传算法的电机机械故障诊断[J];电力自动化设备;2010年01期

2 吕瑞兰,吴铁军,于玲;采用不同小波母函数的阈值去噪方法性能分析[J];光谱学与光谱分析;2004年07期

3 谢春丽;夏虹;刘永阔;刘邈;张宝锋;;BP神经网络改进算法在核电设备故障诊断中的应用[J];核动力工程;2007年04期

4 于金涛;赵树延;王祁;;基于经验模态分解和小波变换声发射信号去噪[J];哈尔滨工业大学学报;2011年10期

5 王艳;金太东;杜明娟;金帅;;改进的小波变换阈值去噪方法[J];河南科技大学学报(自然科学版);2007年03期

6 刘永建;朱剑英;曾捷;;改进BP神经网络在发动机性能趋势分析和故障诊断中的应用[J];南京理工大学学报(自然科学版);2010年01期

7 郑海波,陈心昭,李志远,朱忠奎,何世娣;小波神经网络故障诊断系统的设计与应用[J];农业机械学报;2002年01期

8 骆志明,冯庚斌;遗传BP网络在滚动轴承故障诊断中的应用[J];铁道学报;1999年05期

9 张维强,宋国乡;基于一种新的阈值函数的小波域信号去噪[J];西安电子科技大学学报;2004年02期

10 李长冬;唐辉明;胡斌;李东明;倪俊;;小波分析和RBF神经网络在地基沉降预测中的应用研究[J];岩土力学;2008年07期

中国博士学位论文全文数据库 前1条

1 苏文胜;滚动轴承振动信号处理及特征提取方法研究[D];大连理工大学;2010年

本文编号：565581