本文關(guān)鍵詞：基于小波分析和BP神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷方法研究

  更多相關(guān)文章： 滾動軸承 小波分析 BP神經(jīng)網(wǎng)絡(luò) 故障診斷

【摘要】：滾動軸承是旋轉(zhuǎn)機(jī)械設(shè)備的重要組成部分，也是機(jī)械設(shè)備的主要故障來源之一，每年都有很多設(shè)備故障是由軸承引起的，造成較大的經(jīng)濟(jì)損失，滾動軸承的好壞直接影響到設(shè)備乃至整個生產(chǎn)過程，因此研究滾動軸承的故障監(jiān)測和診斷技術(shù)具有重要的理論價值和實(shí)際意義。 滾動軸承故障監(jiān)測和診斷通常是以采集到的軸承振動信號為樣本，通過分析采集到的軸承信號，提取信號的特征作為軸承運(yùn)行狀態(tài)判斷依據(jù)，通過計算和分析來判定軸承的狀態(tài)。一方面采集到的軸承信號中含有大量的噪聲和非線性沖擊，軸承的特征信息經(jīng)常淹沒在這些噪聲中不易區(qū)分；另一方面選取合適的故障診斷方法也至關(guān)重要。 在分析各種故障診斷算法的原理及應(yīng)用的基礎(chǔ)上，以SKF6205-2RS軸承的實(shí)驗(yàn)測試數(shù)據(jù)為樣本，采用小波分析和EMD(Empirical Mode Decomposition,經(jīng)驗(yàn)?zāi)B(tài)分解)對軸承的信號進(jìn)行去噪，結(jié)果表明小波分析和EMD相結(jié)合的去噪方法能有效的抑制信號的噪聲，強(qiáng)化信號的特征。利用小波包分析的高分辨率特征，將去噪后的信號分解到不同的頻帶內(nèi)，提取各頻帶內(nèi)的信號特征構(gòu)成故障特征向量，結(jié)果表明小波包分析法能有效提取信號的局部特征，提取的特征向量能有效表征信號的不同特征。 為了能夠有效的識別和判斷軸承的運(yùn)行狀態(tài)，以BP神經(jīng)網(wǎng)絡(luò)作為軸承故障診斷網(wǎng)絡(luò)，采用PSO(Particle Swarm Optimization,粒子群優(yōu)化)算法對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化和改進(jìn)，以經(jīng)驗(yàn)公式和試驗(yàn)相結(jié)合的方法來確定網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)數(shù)，結(jié)果表明PSO算法能有效提高BP神經(jīng)網(wǎng)絡(luò)的收斂速度，改善網(wǎng)絡(luò)的精度，優(yōu)化后的神經(jīng)網(wǎng)絡(luò)具有很好的可靠性。 建立基于小波分析和BP神經(jīng)網(wǎng)絡(luò)的故障診斷系統(tǒng)，，選取軸承數(shù)據(jù)對網(wǎng)絡(luò)進(jìn)行測試和驗(yàn)證，仿真結(jié)果表明建立的故障診斷系統(tǒng)具有較好的故障識別能力，能有效的檢測軸承的不同運(yùn)行狀態(tài)。
【關(guān)鍵詞】：滾動軸承 小波分析 BP神經(jīng)網(wǎng)絡(luò) 故障診斷
【學(xué)位授予單位】：蘭州交通大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2014
【分類號】：TH133.33;TH165.3
【目錄】：

• 摘要4-5
• Abstract5-6
• 目錄6-8
• 1 緒論8-12
• 1.1 論文選題背景和研究意義8-9
• 1.1.1 論文選題背景8
• 1.1.2 論文研究意義8-9
• 1.2 國內(nèi)外研究現(xiàn)狀9-11
• 1.3 論文的主要研究內(nèi)容11-12
• 2 軸承故障信號分析方法12-24
• 2.1 滾動軸承的故障特征12-14
• 2.1.1 滾動軸承的結(jié)構(gòu)及振動原理12-13
• 2.1.2 滾動軸承故障類型13-14
• 2.1.3 軸承振動信號的特征14
• 2.2 故障特征提取方法14-15
• 2.3 傅立葉分析法15-16
• 2.4 小波分析法16-18
• 2.4.1 小波分析的定義16
• 2.4.2 小波基函數(shù)16
• 2.4.3 連續(xù)小波變換16-18
• 2.4.4 離散小波變換18
• 2.5 小波包分析法18-20
• 2.6 EMD 分析法20-22
• 2.6.1 本征模函數(shù)20-21
• 2.6.2 EMD 分解過程21-22
• 2.6.3 EMD 分析法的優(yōu)點(diǎn)22
• 2.7 數(shù)據(jù)的采集22-23
• 2.8 小結(jié)23-24
• 3 基于 BP 神經(jīng)網(wǎng)絡(luò)的故障診斷24-38
• 3.1 人工神經(jīng)網(wǎng)絡(luò)的基本原理24-28
• 3.1.1 神經(jīng)元24-25
• 3.1.2 傳遞函數(shù)25-27
• 3.1.3 神經(jīng)網(wǎng)絡(luò)的特點(diǎn)27
• 3.1.4 神經(jīng)網(wǎng)絡(luò)的分類27-28
• 3.2 BP 神經(jīng)網(wǎng)絡(luò)28-31
• 3.2.1 BP 神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)28-29
• 3.2.2 神經(jīng)網(wǎng)絡(luò)的分類29-31
• 3.2.3 BP 神經(jīng)網(wǎng)絡(luò)的設(shè)計31
• 3.2.4 BP 神經(jīng)網(wǎng)絡(luò)的缺陷31
• 3.3 BP 神經(jīng)網(wǎng)絡(luò)的改進(jìn)31-34
• 3.3.1 PSO 算法原理31-32
• 3.3.2 PSO 算法優(yōu)化 BP 神經(jīng)網(wǎng)絡(luò)32-34
• 3.4 基于 PSO 算法的 BP 神經(jīng)網(wǎng)絡(luò)建模與仿真34-37
• 3.4.1 神經(jīng)網(wǎng)絡(luò)的建模34
• 3.4.2 神經(jīng)網(wǎng)絡(luò)的仿真34-37
• 3.5 小結(jié)37-38
• 4 小波分析和 BP 神經(jīng)網(wǎng)絡(luò)的故障診斷仿真38-48
• 4.1 故障診斷原理38
• 4.2 故障診斷步驟38-39
• 4.3 故障診斷仿真39-47
• 4.3.1 軸承故障信號39-40
• 4.3.2 軸承故障信號去噪40-41
• 4.3.3 故障特征提取41-45
• 4.3.4 故障狀態(tài)識別45-47
• 4.3.5 故障診斷結(jié)果分析47
• 4.4 小結(jié)47-48
• 結(jié)論48-49
• 致謝49-50
• 參考文獻(xiàn)50-53
• 攻讀學(xué)位期間的研究成果53

【參考文獻(xiàn)】

中國期刊全文數(shù)據(jù)庫 前10條

1 張亞楠;魏武;武林林;;基于小波包Shannon熵SVM和遺傳算法的電機(jī)機(jī)械故障診斷[J];電力自動化設(shè)備;2010年01期

2 呂瑞蘭,吳鐵軍,于玲;采用不同小波母函數(shù)的閾值去噪方法性能分析[J];光譜學(xué)與光譜分析;2004年07期

3 謝春麗;夏虹;劉永闊;劉邈;張寶鋒;;BP神經(jīng)網(wǎng)絡(luò)改進(jìn)算法在核電設(shè)備故障診斷中的應(yīng)用[J];核動力工程;2007年04期

4 于金濤;趙樹延;王祁;;基于經(jīng)驗(yàn)?zāi)B(tài)分解和小波變換聲發(fā)射信號去噪[J];哈爾濱工業(yè)大學(xué)學(xué)報;2011年10期

5 王艷;金太東;杜明娟;金帥;;改進(jìn)的小波變換閾值去噪方法[J];河南科技大學(xué)學(xué)報(自然科學(xué)版);2007年03期

6 劉永建;朱劍英;曾捷;;改進(jìn)BP神經(jīng)網(wǎng)絡(luò)在發(fā)動機(jī)性能趨勢分析和故障診斷中的應(yīng)用[J];南京理工大學(xué)學(xué)報(自然科學(xué)版);2010年01期

7 鄭海波,陳心昭,李志遠(yuǎn),朱忠奎,何世娣;小波神經(jīng)網(wǎng)絡(luò)故障診斷系統(tǒng)的設(shè)計與應(yīng)用[J];農(nóng)業(yè)機(jī)械學(xué)報;2002年01期

8 駱志明,馮庚斌;遺傳BP網(wǎng)絡(luò)在滾動軸承故障診斷中的應(yīng)用[J];鐵道學(xué)報;1999年05期

9 張維強(qiáng),宋國鄉(xiāng);基于一種新的閾值函數(shù)的小波域信號去噪[J];西安電子科技大學(xué)學(xué)報;2004年02期

10 李長冬;唐輝明;胡斌;李東明;倪俊;;小波分析和RBF神經(jīng)網(wǎng)絡(luò)在地基沉降預(yù)測中的應(yīng)用研究[J];巖土力學(xué);2008年07期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 蘇文勝;滾動軸承振動信號處理及特征提取方法研究[D];大連理工大學(xué);2010年

本文編號：565581