神经网络的滚动轴承故障诊断

《神经网络的滚动轴承故障诊断》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、2013年5月重庆文理学院学报May，2013第32卷第3期JournalofChongqingUniversityofArtsandSciencesVol.32No.3神经网络的滚动轴承故障诊断邓星，胡腾飞，李江华(重庆理工大学汽车学院，重庆巴南400054)［摘要］文章通过旋转机械故障实验平台，采集旋转机械故障实验台轴承的3种工作状态分别是轴承正常、轴承内圈裂缝、轴承外圈裂缝的振动加速度信号．对信号进行零均值化处理后，选择频率成分幅值较大的频率进行信号重组，提取其时域量纲特征值，利用神经网络进行故障类型的识别;通过实验，取得了很好的诊断结果．［关键词］轴承;振动;信号重组;神经

2、网络;故障诊断［中图分类号］TH11［文献标志码］A［文章编号］1673－8004(2013)03－0044－04［2－3］轴承一直是各种机械设备中应用非常广泛方向．的通用零部件，有必要对轴承的运行状态进行监1滚动轴承故障特征及检测分析方法测及诊断．一般情况下，采集轴承的振动加速度信号作为分析信号．这种振动信号一般是一种高滚动轴承的失效形式有很多，有磨损失效、频振荡信号且其统计量也不为常数，可以看成是疲劳失效、腐蚀失效、断裂失效和压痕胶合失效［1］一个以时间为自变量的非平稳信号．对这些非等．在理想的情况下，不同的故障类型对应着不平稳信号进行必要的数据处理，从中获取轴承同的激励，由此

3、滚动轴承的振动信号的频谱也会故障的征兆信息，进而保证轴承运行在正常有所不同．实际上存在着许多不确定的、非线性的状态下．的因素，即使是相同的故障类型的旋转机械振动近年来，故障诊断技术借鉴于模式识别的方信号也不能实现完美重合．这就需要对含有丰富法突破了传统的理论研究方法，如神经网络、模运行状态信息的振动信号进行合理的处理，从而糊逻辑、模糊神经和遗传算法等应用与故障诊断提高滚动轴承故障诊断的准确性．中，能够处理传统故障诊断方法无法解决的问为了实现滚动轴承故障诊断，本试验采用振题，使得故障诊断的人工智能方法在近几年得到动加速度信号来进行滚动轴承的故障诊断研究．广泛的认可和应用．故按照模式识

4、别的方法其主首先测出轴承正常状态下的振动加速度信号，然要步骤为:特征值的提取、模式识别模型的训练后测出在其它条件不变的情况下，人为设置各种与建立、模型的可推广性检验．随着现代工业的故障的振动信号．将正常状态下的振动信号作为发展，自动化系统的规模越来越大，其产生故障标准信号，将其它故障信号与之相应的标准信号的可能性和复杂性剧增，仅靠一种理论或一种方进行对比，通过相同的数据处理来评判故障类型法，无论是智能的还是经典的，都很难实现复杂与已知的故障类型的匹配情况．本试验由旋转机条件下对故障完全、准确、及时的诊断．多种方法械故障实验平台分别模拟轴承正常、轴承内圈裂综合运用，既可是经典方法与智

5、能方法的结缝、轴承外圈裂缝3种工作状态，并进行数据采合，也可是两种或多种智能方法的结合，兼集，利用振动加速度传感器和数据采集系统采集顾了实时性和精确度，因此多种方法的有机旋转机械故障实验台运行时的振动加速度信号．融合、综合运用这一趋势将成为必然的发展图1为旋转机械故障实验平台．［收稿日期］2013－03－18［作者简介］邓星(1987－)，男，湖南岳阳人，硕士研究生，主要从事智能控制及故障诊断方面的研究．44x'i(n)=［x'i1，x'i2，…，x'in］，那么其信号重构过程如图2所示．图2重构信号原理方框图2．2相关分析为了说明重构信号在一定的程度上改善了图1旋转机械故障实验平

6、台原始信号的可分辨性，本文从其频谱特征进行相关程度的分析．按照一般传统频谱分析的思想，2特征值的提取同类型的机械状态表现在频域上应该具有较强在模式识别中，除了信号本身可靠性影响分的线性相关性;不同类型的机械状态则应该具有类结果外，提取的特征值具有相当的针对性，对弱相关性．本文随机选取2组3种类型的重组信模型的精度有重要影响．一个好的特征值能够直号，并计算其频域值的相关系数．设X表示轴承接对信号进行分类，而不借助其它特征值进行关正常状态，Y表示轴承内圈裂缝，Z表示轴承外圈联比较进行分类．本文提取特征值前先进行裂缝．结果如表1所示．信号的预处理，然后对预处理后的信号进行表1相关系数相关

7、分析．X1X2Y1Y2Z1Z22．1信号预处理X110．999－0．279－0．2790．3610．361本文信号预处理的步骤如下:首先，对于振动加速度信号进行零均值化处X20．9991－0．279－0．2790．3610．361理，去掉信号中的直流信号．Y1－0．279－0．27910．999－0．383－0．383设振动加速度信号为:Y2－0．279－0．2790．9991－0．383－0．383xi(n)=［xi1，xi2，…，xin］;Z10．3610．361