基于小波分析与神经网络的轴承故障诊断研究.docVIP

基于小波分析与神经网络的轴承故障诊断研究 【中文摘要】随着机械设备复杂程度和自动化水平的提高,机械设备故障诊断的重要性日益显著,而选择合适的诊断方法对于诊断结果是否精确至关重要。在智能故障诊断技术的研究中,小波分析和神经网络技术都是热点研究内容,也是研究的前沿。小波分析和神经网络的结合,也是一个吸引人的课题。本文研究了小波分析基本理论,根据小波包变换能将信号按任意时频分辨率分解到不同频段的特性,提出基于小波包能量的特征提取方法,仿真实验证实了该方法的正确性和有效性。本文综述了BP神经网络、RBF神经网络及Fuzzy ART网络的建模原理与训练算法,针对BP算法的不足,介绍了Levenberg-Marquardt优化算法。小波分析具有良好的时—频局部化特征,因而非常适于对瞬态或时变信号进行分类,而人工神经网络可完成非线性系统辨识和模式分类。利用上述原理建立了基于小波的神经网络智能诊断模型,并用于滚动轴承的故障诊断。根据滚动轴承振动信号的频域变化(来源:e74fABC论文网)特征,首先采用小波包分析对其建立频域能量特征向量,然后利用神经网络完成滚动轴承故障模式的识别。试验结果表明,系统不仅能够检测到轴承故障的存在,而且能够比较准确地识别轴承的故障模式。BP神经网络采用Levenberg-Marquardt优化算法,收敛速度快,具有较高的故障诊断准确率,但仍存在收敛不稳定的缺点。径向基函数网络无论是在网络结构、网络性能还是网络容错性等方面都要明显优于BP网络模型;基于小波分析和径向基函数神经网络的故障模式识别方法能够更高效、准确地进行故障模式识别,能够更好的应用于机械故障诊断中。Fuzzy ART网络模型对已学过的对象具有稳定的快速识别能力,但其故障诊断准确率低于RBF神经网络与BP神经网络。(来源:2727AB87C论文网)基于声信号小波变换的滚动轴承故障诊断 赵佳萌 ? 【摘要】： 由于声信号具有非接触测量和早期故障敏感的特点,在机械故障诊断领域受到广泛的关注。本文以新统计矩和连续小波变换为工具开展了基于声信号的滚动轴承故障诊断方法研究,主要工作与结论如下: 分析了滚动轴承声音信号的特点,着重讨论了轴承故障与振动信号和声信号的关系。指出由于声音信号的信噪比低,且受到背景噪声和回声等信号的干扰,声学诊断实施难度大。 研究了声信号的时域特征参数,探讨了用有效值监测轴承磨损类故障。分析了偏度、峭度等统计参数,提出用新统计矩代替传统的峭度,监测轴承表面损伤类故障。仿真信号分析和滚动轴承试验表明,新统计矩对转速和载荷的变化不敏感,诊断效果要优于峭度。 通过分析指出,连续小波变换具有很强的弱信号检测能力,非常适用故障诊断。引入小波熵的概念,并以此作为Morlet小波参数的择优标准。对轴承声信号进行多尺度Morlet小波分解,能有效提取轴承故障特征。 提出了用有效值和新统计矩检测轴承工况,用Morlet小波确认损伤位置的声信号滚动轴承故障诊断方法。在实验室的消声环境中,用轴承试验有效验证。 【关键词】：声信号滚动轴承故障诊断小波变换新统计矩 【学位授予单位】：北京交通大学【学位级别】：硕士【学位授予年份】：2009【分类号】：TH133.33【DOI】：CNKI:CDMD:2.2009.204653【目录】： 致谢5-6 中文摘要6-7 ABSTRACT7-10 1 绪论10-14 1.1 论文研究的背景及意义10-11 1.2 轴承噪声故障诊断发展11-13 1.3 本文研究内容13-14 2 声信号轴承故障诊断研究综述14-22 2.1 概述14 2.2 滚动轴承故障综述14-17 2.2.1 滚动轴承故障的成因与基本形式14-15 2.2.2 滚动轴承的典型结构15-16 2.2.3 滚动轴承局部缺陷的特征频率16-17 2.3 声信号诊断综述17-21 2.3.1 滚动轴承的振动与噪声17-19 2.3.2 噪声诊断的方法19-20 2.3.3 轴承噪声信号的特点20-21 2.4 本章小结21-22 3 故障诊断的时域分析方法22-33 3.1 概述22 3.2 故障时域诊断的参数22-26 3.3 偏度因子在轴承状态监测中的应用26-31 3.3.1 理论基础26-28 3.3.2 仿真结果28-30 3.3.3 实验结果30-31 3.4 本章小结31-33 4 故障诊断的小波分析方法33-49 4.1 概述33 4.2 小波分析理论33-40 4.2.1 从傅里叶变换到小波变换33-38 4.2.2 小波变换与小波函数38-39 4.2.3 连续小波变换与离散小波变换39-40 4.3 小波变换在故障诊断中的应用40-48 4.3.1 连续小波变换的优势40-41 4.3.2 小波基函数的选取41-48 常用小