基于經(jīng)驗?zāi)B(tài)分解和人工智能算法的機床滾動軸承故障診斷研究.pdf

1、隨著現(xiàn)代科技的飛速進步,各生產(chǎn)行業(yè)的機械設(shè)備也日益趨向于集成化、大型化、復(fù)雜化和尖端化。大型的機床設(shè)備作為生產(chǎn)廠家賴以生存的“生命線”,其運行狀態(tài)的好壞關(guān)系著整個生產(chǎn)廠家安全生產(chǎn)。滾動軸承作為機床機械設(shè)備一個極其重要的組成部分,對其進行工作狀態(tài)檢測和故障診斷具有很強的現(xiàn)實意義。本文通過HHT方法中的經(jīng)驗?zāi)B(tài)分解(EMD)算法對機床滾動軸承故障信號分解并提取出能量特征向量,采用人工神經(jīng)網(wǎng)絡(luò)和支持向量機的方法對機床滾動軸承故障狀態(tài)進行識別。

2、
　　首先,本文研究了EMD分解算法,它具有極強的自適應(yīng)性和極高的信號局部時間特征尺度分析性能,可將各類振動信號分解為有限個不同時間特征尺度成分的本征模態(tài)函數(shù)(IMF)之和,從而在各IMF分量中提取出故障特征能量向量。
　　接著,在機床滾動軸承進行模式識別上本文采用了典型的BP人工神經(jīng)網(wǎng)絡(luò)、改進的LM-BP神經(jīng)網(wǎng)絡(luò)算法與EMD算法相結(jié)合,實驗結(jié)果證明基于LM-BP神經(jīng)網(wǎng)絡(luò)的機床滾動軸承故障診斷是可行的,并且診斷效果良好,能夠