基于多特征量提取和PSO優(yōu)化神經(jīng)網(wǎng)絡(luò)的軸承故障診斷.pdf

1、滾動軸承作為機械設(shè)備中使用非常廣泛的基礎(chǔ)部件，其運行狀況的良好與否與整個系統(tǒng)的功能實現(xiàn)和安全生產(chǎn)有著直接的關(guān)系。工業(yè)技術(shù)如今發(fā)展飛速，人們意識到滾動軸承的穩(wěn)定高效運行非常重要。論文以滾動軸承振動信號為基礎(chǔ)，研究了滾動軸承故障診斷方法并做仿真及實驗驗證。
　　首先，介紹了滾動軸承的構(gòu)造、分類、振動原理以及常見的軸承故障診斷分析方法。針對以往軸承故障診斷技術(shù)的局限性，提出基于多特征量提取及粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷方法。

2、r>　　其次，引入了局部均值分解算法(Local Mean Decomposition,LMD)對振動信號分解。LMD分析方法能夠有效地處理復(fù)雜信號，顯示信號的局部特征。但是，由于實際信號常常會包含有大量的噪聲，噪聲會對局部均值分解算法的精度和效果產(chǎn)生嚴(yán)重影響。提升小波結(jié)構(gòu)簡單，構(gòu)造方法靈活，因此本文引入提升小波消噪方法，對信號進(jìn)行提升小波消噪后再進(jìn)行LMD分解。通過一系列的仿真實驗驗證了該方法的有效性。
　　然后，提取故障信號的

3、時域特征指標(biāo)、樣本熵以及LMD分解后PF分量的能量，共同組成特征向量。利用時域特征參數(shù)可以對軸承故障進(jìn)行分類，樣本熵可以用來反映信號的復(fù)雜程度，LMD分解后各個PF分量的能量可以體現(xiàn)信號較深層次的信息。時域特征指標(biāo)、樣本熵、能量特征指標(biāo)分別從系統(tǒng)的不同特性出發(fā)來描述系統(tǒng)的內(nèi)部信息。這些特征量共同輸入神經(jīng)網(wǎng)絡(luò)分類模型，可以使信息互補，彌補單一特征量的信息缺失。
　　在對軸承故障的狀態(tài)識別時，針對BP神經(jīng)網(wǎng)絡(luò)的收斂性問題，引入粒子群對

4、BP網(wǎng)絡(luò)優(yōu)化。粒子群優(yōu)化算法(Particle Swarm Optimizer,PSO)是一種新的基于群體智能的優(yōu)化算法，有極強的全局搜索能力。PSO算法參數(shù)中，針對其重要的參數(shù)慣性權(quán)重，本文采用隨機慣性權(quán)重法結(jié)合壓縮因子的混合粒子群算法。對于BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，利用混合PSO算法進(jìn)行優(yōu)化，有助于BP網(wǎng)絡(luò)快速收斂到全局最優(yōu)點。
　　最后，將美國凱斯西儲大學(xué)滾動軸承故障數(shù)據(jù)作為研究對象，分別對滾動軸承不同類型和不同損傷程度兩個