基于LMD与神经网络的滚动轴承故障诊断方法

  本文关键词：基于LMD与神经网络的滚动轴承故障诊断方法，由笔耕文化传播整理发布。

DOI:10.13465/http://www.wenkuxiazai.comki.jvs.2010.08.054

第29卷第8期

振　动　与　冲　击

JOURNALOFVIBRATIONANDSHOCK

Vol.29No.82010　

基于LMD与神经网络的滚动轴承故障诊断方法

程军圣,史美丽,杨　宇

(湖南大学汽车车身先进设计制造国家重点实验室,长沙　410082)

　　摘　要:针对滚动轴承的故障振动信号的非平稳特性,提出了一种基于局部均值分解(Localmeandecomposition,

简称LMD)和神经网络的滚动轴承诊断方法。该方法首先对信号进行局部均值分解,将其分解为若干个PF分量(Productfunction,简称PF)之和,再选取包含主要故障信息的PF分量进行进一步分析,从这些分量中提取时域统计量和能量等特征参数作为神经网络的输入参数来识别滚动轴承的故障类别。通过对滚动轴承正常状态,内圈故障和外圈故障的分析,表明了基于LMD与神经网络的诊断方法比基于小波包分析与神经网络的诊断方法有更高的故障识别率,同时也证明了该方法可以准确、有效地对滚动轴承的工作状态和故障类型进行分类。

关键词:滚动轴承;LMD;神经网络;故障诊断;特征参数中图分类号:TH115　　　文献标识码:A

　　在滚动轴承故障诊断中,故障特征信息的选择和提取一直是诊断的关键,它直接影响到故障诊断结果的准确性。滚动轴承故障振动信号大都为非平稳信号,因此在故障诊断过程中有必要采用适合于处理非平稳信号的特征提取方法。由于时频分析方法能同时提供振动信号在时域和频域的局部化信息而在滚动轴

[1,2]

承故障诊断中得到了广泛的应用。常见的时频分析方法有Wigner分布、短时傅里叶变换、小波变换等,这些分析方法都有各自的局限性。如Wigner分布对多分量信号进行分析时会产生交叉项,短时傅里叶变

[5]

换的时频窗口大小是固定不变的,小波变换虽然具

[6]

有可变的时频窗口,但是和短时傅里叶变换一样是对时频平面的机械格型分割,本质上它不是一种自适应的信号处理方法。EMD(Empiricalmodedecomposi-tion,简称EMD)是一种自适应的信号处理方法,它将复杂的多分量信号自适应地分解为若干个IMF(Intrinsicmodefunction,简称IMF)分量之和,进一步对每个IMF分量进行Hilbert变换求出瞬时频率和瞬时幅值,从而

[7,8]

得到原始信号完整的时频分布。EMD方法自提出后在机械故障诊断等很多领域都得到了应用,但是在理论上还存在一些问题,如EMD方法中的过包络、欠包络、模态混淆、端点效应、IMF判据和没有快速算法等问题,还有在利用Hilbert变换形成解析信号后计算瞬时频率时会产生无法解释的负频[16]率,这些问题仍然处在研究当中。

最近,JonathanS.Smith提出了一种新的自适应时频分析方法———局部均值分解(Lockalmeandecomposi-tion,简称LMD)方法。LMD方法将一个复杂的多分量

基金项目:国家自然科学基金资助项目(50775068)和湖南省博士后科

学基金(2008RS4004)

收稿日期:2009-04-27　修改稿收到日期:2009-07-24第一作者程军圣男,博士,教授,博士生导师,1968年生

[12]

[13]

[14]

[15]

[9～11]

[3,4]

信号分解为若干个PF(Productfunction,简称PF)分量

之和。其中每一个PF分量由一个包络信号和一个纯调频信号相乘而得到,将所有PF分量的瞬时幅值和瞬时频率组合便可以得到原始信号完整的时频分布。对其进行分析可以更准确有效的把握原始信号特征信息。当滚动轴承发生故障时,局部损伤的滚动轴承元件在旋转过程中产生脉动时引起的高频冲击振动不但会激起各个元件的固有频率振动,而且各个固有频率振动的幅值和频率还会受到脉动激发力的调制,而各个机械元件又有各自的固有频率,这说明滚动轴承故障振动信号具有多载波多调制的特性,是一种多分量的复杂的调幅-调频信号,因此,为了提取出滚动轴承故障振动信号的故障特征,解调是一种有效的分析方法。LMD方法可以将复杂的多分量调幅-调频信号自适应分解成单分量的调幅-调频信号,分解得到的PF分量很好的保持了原始信号的幅值和频率变换,可见

LMD方法非常适合处理多分量的调幅-调频信号。

本文拟将LMD方法与BP神经网络结合起来,对滚动轴承进行故障诊断。采用LMD方法将滚动轴承振动信号进行分解,得到若干个单分量的调幅-调频

信号,进一步对提取这些单分量信号的偏度系数、峭度系数以及能量等特征向量作为神经网络的输入参数,采用神经网络的输出对滚动轴承的工作状态和故障类型进行分类。为了验证LMD方法的优越性,本文将LMD方法与小波包分析方法进行了比较,即对原始信号进行小波包分解,对分解重构后的时间序列也提取相应的特征参数,输入相同网络进行训练,用来识别滚动轴承的工作状态和故障类型。实验结果表明,基于LMD的神经网络方法有更高的网络识别率。

1　LMD方法

LMD方法从本质上讲LMD方法本质上是从原始,

  本文关键词：基于LMD与神经网络的滚动轴承故障诊断方法，，由笔耕文化传播整理发布。