基于神经网络和小波变换的轴承故障诊断

《基于神经网络和小波变换的轴承故障诊断》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。

1、Romania,October16-18,2006基于神经网络分类和小波变换的轴承故障诊断摘要：几I•年來，自动故障分类一直是一个重要的模式识别问题。在所冇的电机驱动系统性能屮，轴承发挥了非常重要的作用。状态监测和故障诊断的目的是检测和区分发生的机械故障，使之在设备节约方而有一个显苦的提髙，以降低在运营和维护方而的成本，提高安全水平。本文针对最近的i项研究，采用小波分解处理加速度计信号和确定带型特征。选定的特征提取等方面取得的振动签名，这三种类型的人T网络培训的投入使用，以确定在三个轴承条件不同的转速。振动信号正帘的轴承，轴承的内圈故障，外圈故障

2、及球故障获得从电机驱动的实验系统。实验的结果提交，并相对于这一领域冃前表现最佳。后而几节介绍一些如网络体系结构、性能和实现人I】智能方法设计注意爭项。结果证明发达国家的诊断方法能可靠地检测，并分为四个不同的群体不同的轴承故障条件。1介绍：在现代社会中所使用的大多数的采用机械操作的电机和旋转部分，都能够产生故障。监测旋转机器的手术条件，有效地监测旋转机器的条件提供了一•个通过降低运营和维护费用，以及提高安全水平的巨人的经济改善。作为机器的维护任务的一部分，分析外部相关信息，以评估内部组件的状态是非常必要的，而一般情况下不拆除机器是无法访问的。从20

3、tit纪初，为了关于研究机器和机制内容的一般动力学行为，不同的技术被应用。从过去，给这一领域带來巨大进步的傅里叶经典分析和变化，到今犬，在旋转部件时率和频率故障检测方而扮演主要角色的小波分析。晓波分时起源于上个世纪的中期，在一个小范围合作研究室中，由儿名来自不同领域的科学家提出的。它包括处理信号演变的下一个介乎逻辑的步骤。小波信号的主要特点是在不同尺度和分辨率方面的信号评估技巧。实施旋转部件故障检测过程中冇两个重要的阶段：首先由执行信号处理，以提取的典型特征或“模式”，并减少信号噪音，在上一步的基础上由第二阶段的信号分类特征提取，这些任务对于任何

4、类型的信号都不是肓接的，因为，为使管理札I对成功，在该领域的一些知识和经验是必要的。机械旋转部件的故障检测，需要提高电流的效率和性能。出于这个原因，实时在线检测机器的研究和自动故障的检测在这一领域将是一个巨大的进步。对于这方面的研究，使用更快更可靠地数学方法是必要地。小波变化（WT）在机械故障诊断方面的应用，在过去的15年里，已经被广泛的开发。1990年，Leducq[4]使用WT分析液压噪声离心泵。这可能是第一次小波应用在故障诊断方面的工作。此外，大多数WT己执行在齿轮上的应用程序。1993年，王和McFadden是WT在应用齿轮振动信号分析方

5、面的先锋。结果表明，小波能够检测早期机械故障和不同类型的同时故障。1999年，Newland介绍了在WT工程领域方面的多种计算方法和关于他振动分析方面的应用程序的例了；同时，他建议谐波小波，并成功地确宦「高峰和分阶段的短暂的信巧。Newland的研究使小波在工程应用屮尤其是振动分析屮广泛流行。王等人对敏感性和日前公认的技术的鲁棒性齿轮损坏监测进行了实验研究，结果表明，WT在齿轮健康技术方血的监测室可靠地，比其他的方法更加强大。刘等人提出了一•种基于小波变换的方法，是关于球轴承故障诊断方而的。小波包系数被作为典型特征而运用。结果表明他们在故障方而具

6、有灵敏度髙的特点。Aminian等人开发了基于Bayessian神经网络的故障诊断系统，作为与处理器它使用了WT、正常化和信号的主要成分。Loparo等人使用模糊分类对轴承故障进行诊断，它基于WT,用小波系数的标准偏差实现产生的典型的载体。Farias等分析了影响载重吨在处理信号工具性能的应用，图像分类和确定WT最好的参数工作区。鹏等进行了有关WT在机器的监测和故障诊断方面的应用的廿目调査。在许多研究的对象中明显的不知道哪些类型的小波最能适应信号处理过程。其中，刘等使用一种新的研究柴油引擎故障的方法。他们获得了相互的价值信息使用程度的指标，这个指

7、标相关的故障信息是小波拥有的。这种方法是对Mallat的搜索通用技术的延伸。Goumas等人进行了洗衣机方面的故障检测的研究，根据载重吨统计分类标准偏差故障贝叶斯的理论，成功率在87%左右。总之，多种故障特征可以通过小波系数或能量获得。由于小波系数突出在信号变化，而信号变化往往预测故障的发生，基于小波系数的特点是适合故障的检测。然而，轻微变化的信号往往有小的能量，这些变化很容易掩盖小波以能源为基础的功能。因此，以小波能源为基础的功能无法检测早期故障。2•数据处理通过检查与早期的轴承故障运行条件下的振动数据的人小，它是能够区分正常的数据来口不同类型

8、的故障数据。然而，这并不总是适用的，因为信号的形态，随着时间的推移故障故障变化的结果从开始到失败的进展。因此，一些故障是无法察觉，直到故