本文關(guān)鍵詞：基于LMD與神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法，由筆耕文化傳播整理發(fā)布。

DOI:10.13465/http://www.wenkuxiazai.comki.jvs.2010.08.054

第29卷第8期

振　動(dòng)　與　沖　擊

JOURNALOFVIBRATIONANDSHOCK

Vol.29No.82010　

基于LMD與神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法

程軍圣,史美麗,楊　宇

(湖南大學(xué)汽車車身先進(jìn)設(shè)計(jì)制造國(guó)家重點(diǎn)實(shí)驗(yàn)室,長(zhǎng)沙　410082)

　　摘　要:針對(duì)滾動(dòng)軸承的故障振動(dòng)信號(hào)的非平穩(wěn)特性,提出了一種基于局部均值分解(Localmeandecomposition,

簡(jiǎn)稱LMD)和神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承診斷方法。該方法首先對(duì)信號(hào)進(jìn)行局部均值分解,將其分解為若干個(gè)PF分量(Productfunction,簡(jiǎn)稱PF)之和,再選取包含主要故障信息的PF分量進(jìn)行進(jìn)一步分析,從這些分量中提取時(shí)域統(tǒng)計(jì)量和能量等特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)來識(shí)別滾動(dòng)軸承的故障類別。通過對(duì)滾動(dòng)軸承正常狀態(tài),內(nèi)圈故障和外圈故障的分析,表明了基于LMD與神經(jīng)網(wǎng)絡(luò)的診斷方法比基于小波包分析與神經(jīng)網(wǎng)絡(luò)的診斷方法有更高的故障識(shí)別率,同時(shí)也證明了該方法可以準(zhǔn)確、有效地對(duì)滾動(dòng)軸承的工作狀態(tài)和故障類型進(jìn)行分類。

關(guān)鍵詞:滾動(dòng)軸承;LMD;神經(jīng)網(wǎng)絡(luò);故障診斷;特征參數(shù)中圖分類號(hào):TH115　　　文獻(xiàn)標(biāo)識(shí)碼:A

　　在滾動(dòng)軸承故障診斷中,故障特征信息的選擇和提取一直是診斷的關(guān)鍵,它直接影響到故障診斷結(jié)果的準(zhǔn)確性。滾動(dòng)軸承故障振動(dòng)信號(hào)大都為非平穩(wěn)信號(hào),因此在故障診斷過程中有必要采用適合于處理非平穩(wěn)信號(hào)的特征提取方法。由于時(shí)頻分析方法能同時(shí)提供振動(dòng)信號(hào)在時(shí)域和頻域的局部化信息而在滾動(dòng)軸

[1,2]

承故障診斷中得到了廣泛的應(yīng)用。常見的時(shí)頻分析方法有Wigner分布、短時(shí)傅里葉變換、小波變換等,這些分析方法都有各自的局限性。如Wigner分布對(duì)多分量信號(hào)進(jìn)行分析時(shí)會(huì)產(chǎn)生交叉項(xiàng),短時(shí)傅里葉變

[5]

換的時(shí)頻窗口大小是固定不變的,小波變換雖然具

[6]

有可變的時(shí)頻窗口,但是和短時(shí)傅里葉變換一樣是對(duì)時(shí)頻平面的機(jī)械格型分割,本質(zhì)上它不是一種自適應(yīng)的信號(hào)處理方法。EMD(Empiricalmodedecomposi-tion,簡(jiǎn)稱EMD)是一種自適應(yīng)的信號(hào)處理方法,它將復(fù)雜的多分量信號(hào)自適應(yīng)地分解為若干個(gè)IMF(Intrinsicmodefunction,簡(jiǎn)稱IMF)分量之和,進(jìn)一步對(duì)每個(gè)IMF分量進(jìn)行Hilbert變換求出瞬時(shí)頻率和瞬時(shí)幅值,從而

[7,8]

得到原始信號(hào)完整的時(shí)頻分布。EMD方法自提出后在機(jī)械故障診斷等很多領(lǐng)域都得到了應(yīng)用,但是在理論上還存在一些問題,如EMD方法中的過包絡(luò)、欠包絡(luò)、模態(tài)混淆、端點(diǎn)效應(yīng)、IMF判據(jù)和沒有快速算法等問題,還有在利用Hilbert變換形成解析信號(hào)后計(jì)算瞬時(shí)頻率時(shí)會(huì)產(chǎn)生無法解釋的負(fù)頻[16]率,這些問題仍然處在研究當(dāng)中。

最近,JonathanS.Smith提出了一種新的自適應(yīng)時(shí)頻分析方法———局部均值分解(Lockalmeandecomposi-tion,簡(jiǎn)稱LMD)方法。LMD方法將一個(gè)復(fù)雜的多分量

基金項(xiàng)目:國(guó)家自然科學(xué)基金資助項(xiàng)目(50775068)和湖南省博士后科

學(xué)基金(2008RS4004)

收稿日期:2009-04-27　修改稿收到日期:2009-07-24第一作者程軍圣男,博士,教授,博士生導(dǎo)師,1968年生

[12]

[13]

[14]

[15]

[9～11]

[3,4]

信號(hào)分解為若干個(gè)PF(Productfunction,簡(jiǎn)稱PF)分量

之和。其中每一個(gè)PF分量由一個(gè)包絡(luò)信號(hào)和一個(gè)純調(diào)頻信號(hào)相乘而得到,將所有PF分量的瞬時(shí)幅值和瞬時(shí)頻率組合便可以得到原始信號(hào)完整的時(shí)頻分布。對(duì)其進(jìn)行分析可以更準(zhǔn)確有效的把握原始信號(hào)特征信息。當(dāng)滾動(dòng)軸承發(fā)生故障時(shí),局部損傷的滾動(dòng)軸承元件在旋轉(zhuǎn)過程中產(chǎn)生脈動(dòng)時(shí)引起的高頻沖擊振動(dòng)不但會(huì)激起各個(gè)元件的固有頻率振動(dòng),而且各個(gè)固有頻率振動(dòng)的幅值和頻率還會(huì)受到脈動(dòng)激發(fā)力的調(diào)制,而各個(gè)機(jī)械元件又有各自的固有頻率,這說明滾動(dòng)軸承故障振動(dòng)信號(hào)具有多載波多調(diào)制的特性,是一種多分量的復(fù)雜的調(diào)幅-調(diào)頻信號(hào),因此,為了提取出滾動(dòng)軸承故障振動(dòng)信號(hào)的故障特征,解調(diào)是一種有效的分析方法。LMD方法可以將復(fù)雜的多分量調(diào)幅-調(diào)頻信號(hào)自適應(yīng)分解成單分量的調(diào)幅-調(diào)頻信號(hào),分解得到的PF分量很好的保持了原始信號(hào)的幅值和頻率變換,可見

LMD方法非常適合處理多分量的調(diào)幅-調(diào)頻信號(hào)。

本文擬將LMD方法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合起來,對(duì)滾動(dòng)軸承進(jìn)行故障診斷。采用LMD方法將滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行分解,得到若干個(gè)單分量的調(diào)幅-調(diào)頻

信號(hào),進(jìn)一步對(duì)提取這些單分量信號(hào)的偏度系數(shù)、峭度系數(shù)以及能量等特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù),采用神經(jīng)網(wǎng)絡(luò)的輸出對(duì)滾動(dòng)軸承的工作狀態(tài)和故障類型進(jìn)行分類。為了驗(yàn)證LMD方法的優(yōu)越性,本文將LMD方法與小波包分析方法進(jìn)行了比較,即對(duì)原始信號(hào)進(jìn)行小波包分解,對(duì)分解重構(gòu)后的時(shí)間序列也提取相應(yīng)的特征參數(shù),輸入相同網(wǎng)絡(luò)進(jìn)行訓(xùn)練,用來識(shí)別滾動(dòng)軸承的工作狀態(tài)和故障類型。實(shí)驗(yàn)結(jié)果表明,基于LMD的神經(jīng)網(wǎng)絡(luò)方法有更高的網(wǎng)絡(luò)識(shí)別率。

1　LMD方法

LMD方法從本質(zhì)上講LMD方法本質(zhì)上是從原始,

  本文關(guān)鍵詞：基于LMD與神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法，，由筆耕文化傳播整理發(fā)布。