傳統(tǒng)的故障預(yù)測方法難以對不同工況下的滾動軸承故障進行有效預(yù)測,為此,提出了一種基于BP神經(jīng)網(wǎng)絡(luò)和DS證據(jù)理論的滾動軸承故障預(yù)測方法。首先采用擅長于處理非平穩(wěn)信號的小波包分解對多個傳感器采集的原始振動數(shù)據(jù)進行特征分析,然后對BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)進行優(yōu)化設(shè)置并使用多個BP神經(jīng)網(wǎng)絡(luò)分別進行故障預(yù)測模型訓(xùn)練,最后利用DS證據(jù)理論將多個神經(jīng)網(wǎng)絡(luò)得到的預(yù)測結(jié)果進行融合并輸出最終預(yù)測結(jié)果。實驗結(jié)果表明,該方法能對不同工況下的滾動軸承故障進行有效預(yù)測,故障預(yù)測平均準確率達96.37%;且與相關(guān)文獻提出的方法相比,所提出的方法得到的滾動軸承故障預(yù)測準確率有所提升。 

【文章來源】：湖南工業(yè)大學(xué)學(xué)報. 2020,34(04)

【文章頁數(shù)】：7 頁

【部分圖文】：

滾動軸承故障預(yù)測流程圖

綜合考慮收斂速度和準確率,選取最佳隱藏層節(jié)點數(shù)為12;輸出層使用4個節(jié)點,分別表示4種狀態(tài)(正常狀態(tài)、內(nèi)圈故障、滾動體故障和外圈故障),最終得到的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。確定神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)后,首先,將訓(xùn)練集中基座端、驅(qū)動端、風(fēng)扇端的特征向量,分別輸入對應(yīng)的神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練,得到對應(yīng)的神經(jīng)網(wǎng)絡(luò)模型和滾動軸承故障分類結(jié)果;然后,對分類結(jié)果進行驗證,得到對應(yīng)的混淆矩陣,如式(9)所示,其表明了神經(jīng)網(wǎng)絡(luò)對不同狀態(tài)的分類效果。其中,下標a表示對應(yīng)的神經(jīng)網(wǎng)絡(luò)(a可取1,2,3,分別表示基座端、驅(qū)動端、風(fēng)扇端),各行下標為樣本的真實狀態(tài),列下標為神經(jīng)網(wǎng)絡(luò)預(yù)測的分類結(jié)果,故cmij表示i類樣本被神經(jīng)網(wǎng)絡(luò)判別為j類狀態(tài)的樣本數(shù)與真實狀態(tài)為i類的樣本總數(shù)之間的比值。

【參考文獻】：
期刊論文
[1]基于1D卷積神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷方法[J]. 于景洋,寧德軍,毛建華.  工業(yè)控制計算機. 2019(06)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷[J]. 賀思艷,任利娟,田新誠.  兵工自動化. 2019(03)
[3]基于改進的PSO算法優(yōu)化FSVM的滾動軸承故障診斷[J]. 林雅慧,王海瑞,靖婉婷.  計算機應(yīng)用與軟件. 2018(11)
[4]基于移不變字典學(xué)習(xí)和稀疏編碼的滾動軸承故障識別算法[J]. 曲建嶺,余路,高峰,田沿平,李儼.  計算機應(yīng)用研究. 2019(01)
[5]多源數(shù)據(jù)融合算法綜述[J]. 祁友杰,王琦.  航天電子對抗. 2017(06)
[6]滾動軸承振動信號處理方法綜述[J]. 胡智勇,胡杰鑫,謝里陽,佟安時,張嘯塵.  中國工程機械學(xué)報. 2016(06)
[7]小波包分析和BP神經(jīng)網(wǎng)絡(luò)在滾動軸承故障模式識別中的應(yīng)用[J]. 黃良沛,吳超威,王靖.  電子測量技術(shù). 2016(04)
[8]基于時間-小波能量譜熵的滾動軸承故障診斷研究[J]. 唐貴基,鄧飛躍,何玉靈,王曉龍.  振動與沖擊. 2014(07)
[9]振動信號處理方法綜述[J]. 李舜酩,郭海東,李殿榮.  儀器儀表學(xué)報. 2013(08)



本文編號：3273301