emd和模糊神经网络在滚动轴承故障诊断中的分析与应

《emd和模糊神经网络在滚动轴承故障诊断中的分析与应》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、优秀毕业论文太原理工大学硕士研究生学位论文EMD和模糊神经网络在滚动轴承故障诊断中的研究与应用摘要滚动轴承是机械设备中的易损件，据统计旋转机械的故障有30％是由滚动轴承故障引起的，在其出现故障后机械设备的工作精度就会下降，甚至导致机械设备无法正常工作，出现严重的事故。可以说，滚动轴承的运行状况的好坏直接影响到整个机电设备系统的性能。所以，滚动轴承作为机械设备中最常用的部件之一，对其进行故障监测和诊断是国内外工程技术领域一直非常关注的课题。据大量的研究事实证明，目前对滚动轴承的状态进行监测与诊断，最实用的方法是振动信号分析法

2、。本文首先从滚动轴承的故障振动机理出发，总结了滚动轴承在发生局部故障时所对应的谱值变化，并在实验室的故障诊断实验台上，针对滚动轴承正常、外滚道疲劳剥落、滚动体疲劳剥落、内滚道疲劳剥落四种状况进行了故障模拟实验，采集了这四种状况的振动信号。本文把具有自适应性的一EMD方法应用在滚动轴承的故障特征值的提取中，首次提出了基于IMF能量矩的特征向量提取法，通过和小波包频带能量法与IMF能量法的比较，说明了IMF能量矩的特征向量提取法更能突显出非平稳信号的差异。并把IMF能量矩和模糊神经网络相结合，通过与单纯的模糊诊断和神经网络诊断

3、方法的比较，证明了模糊神经网在滚动轴承的故障识别中，显著的提高了滚动轴承故障诊断与识别的准确性和实时性。精品参考文献资料优秀毕业论文太原理工大学硕士研究生学位论文关键词：滚动轴承，故障诊断，经验模态分解(EMD)，IMF，能量矩，特征向量，小波包，频带，模糊神经网络，模糊诊断，神经网络Ⅱ精品参考文献资料优秀毕业论文太原理工大学硕士研究生学位论文THE尉巳SEARCHANDAPPLICArIONoFTHEEⅣⅡ)ANDFUZZYNEURALNETWORKDJTHEFAUIJDIAGNOSISOFTHEROLLERBEARIN

4、GABSTRACTTherollerbearingisthedamageablepartinthemechanicalequipment，accordingtOthestatistics，rotatingmachineryfaultthat30％iscausedbytherollerbeatingfault．Iftherollerbeatingisfaultthemechanicalequipment’Sworkprecisionwilldrop，orevenleadtOmechanicalequipmentdoesnot

5、worknormally,andcauseseriousaccident．ItCanbesaidthatthequalityofrollerbeatinghasagreatimpactontheentireelectromechanicalequipmentsystem．Therefore，therollerbearing，asoneofthemostcommonlycomponentsinthemechanicalequipment，faultmonitoringanddiagnosisisthesubjecttowhi

6、chthedomesticandforeigntechnologydomainpaidmanyattentionallalong．Accordingtoalargenumberofresearchfactsproved，atpresent，thattheanalysisofvibrationsignalsisthemostpracticalmethodintheconditionmonitoringandfaultdiagnosisofrollerbearings．Inthispaper,fromtherollervibr

7、ationmechanismofthefault，summedupthecorrespondingchangesinthevalueofspectrumwhentherollerbearinghadⅢ精品参考文献资料优秀毕业论文太原理工大学硕士研究生学位论文thepartialfailure，andonthefaultsdiagnosislaboratorybenchinthelaboratory,wesimulatefourkindofconditionsabouttherollerbeatingwork．Thefour

8、kindofconditionsisnormal、damageinoutertrack、damageonballanddamageininnertrack，andwehavecollectedthesefourvibrationsignals．Inthispaper，theself-adaptiveme