基于小波包分析和Kohonen神经网络相结合的轴承故障诊断.pdfVIP

第22卷 第4期 仪器仪表用户 EIC Vo1．22 20l5年8月 NSTRUM ENTATlON 2015 No．4 基于小波包分析~llKohonen神经网络相结合的轴承故障诊断 姚万业，蒋雪丽 (华北电力大学 自动化系，河北 保定 071003) 摘 要：简述了小波包分析及用于特征提取的机理，以SKF6326一c3轴承为例，从吉林同发风电场采集了不同工况下 的实时信号，利用小波包对滚动轴承振动信号进行分解，振动信号被分解到独立的频段。不同频带内的信号能量变 化反映了运行状态的改变，提取各频带小波包能量谱，并对其进行能量归一化处理，作为特征向量，最后应用于基于 Kohonen~经网络的故障诊断方法。经对大量实测数据的处理和分析，能够比较准确地诊断出轴承的故障。 关键词：小波包：能量谱；KohoneMOef~网络 中图分类号：TP273 文献标识码：A 文章编号：1671—1041(2015)04—0018-03 BearingFaultDiagnosisBasedonWaveletPacketAnalysisand KohonenNeuralNetwork YaoWanye,JiangXueli (AutomationDepartment，NCEPU，Baoding071003，China) Abstract：Waveletpacketanalysisandthemechanism usedforfeatureextractionarebrieflyintroduced．InthecaseofSKF 6326一C3bearings．thereal—timesignals arecollectedunderdifferentworkingconditionsfrom JiLinTongFawind．The Rollingvibrationsignalisdecomposedtoindependentrfequencybandbythemethodofwaveletpacket．Thesignalsofdifferent rfequencybandenergychanges，reflectingtherunningstateofchange，asafeaturevector，whichareafternormalizedbytheway ofenergyprocessing，are appliedinthefaultdiagnosismethodbasedonKohonenneura]network．Bearingfailuresare accurately diagnosed．afteralargeamountofmeasureddata beenprocessedandanalyzed． Keywords：waveletpacket；energyspectrum；kohonenneuralnetwork 0 引言 细节系数作为计算结果保留，不再分解。这样使得小尺度 的频率分辨率不会提高。而在大尺度时 ，由于仅保留了信 小波包分析可以对信号的低频和高频部分都进行分 号的近似部分 ，它的时间分辨率也不会提高。根据以上问题 ， 解 ，更有效地反映信号的时频特征。轴承运行状态从正常 同时结合实际应用中信号本身的复杂性 ，使得小波变换不 到异常是一个渐变过程 ，所表现出来的征兆在很多情况下 能很好的适应 ，需要更加完善的对信号进行时频分析 ，更精 具有模糊性 ，传统的神经网络故障诊断方法不能对其进行