基于小波分析和BP神经网络的滚动轴承故障诊断方法研究

摘要

滚动轴承是旋转机械设备的重要组成部分,也是机械设备的主要故障来源之一,每年都有很多设备故障是由轴承引起的,造成较大的经济损失,滚动轴承的好坏直接影响到设备乃至整个生产过程,因此研究滚动轴承的故障监测和诊断技术具有重要的理论价值和实际意义。
　　滚动轴承故障监测和诊断通常是以采集到的轴承振动信号为样本,通过分析采集到的轴承信号,提取信号的特征作为轴承运行状态判断依据,通过计算和分析来判定轴承的状态。一方面采集到的轴承信号中含有大量的噪声和非线性冲击,轴承的特征信息经常淹没在这些噪声中不易区分;另一方面选取合适的故障诊断方法也至关重要。
　　在分析各种故障诊断算法的原理及应用的基础上,以 SKF6205-2RS轴承的实验测试数据为样本,采用小波分析和EMD(Empirical Mode Decomposition,经验模态分解)对轴承的信号进行去噪,结果表明小波分析和EMD相结合的去噪方法能有效的抑制信号的噪声,强化信号的特征。利用小波包分析的高分辨率特征,将去噪后的信号分解到不同的频带内,提取各频带内的信号特征构成故障特征向量,结果表明小波包分析法能有效提取信号的局部特征,提取的特征向量能有效表征信号的不同特征。
　　为了能够有效的识别和判断轴承的运行状态,以BP神经网络作为轴承故障诊断网络,采用PSO(Particle Swarm Optimization,粒子群优化)算法对BP神经网络进行优化和改进,以经验公式和试验相结合的方法来确定网络的隐含层节点数,结果表明 PSO算法能有效提高BP神经网络的收敛速度,改善网络的精度,优化后的神经网络具有很好的可靠性。
　　建立基于小波分析和BP神经网络的故障诊断系统,选取轴承数据对网络进行测试和验证,仿真结果表明建立的故障诊断系统具有较好的故障识别能力,能有效的检测轴承的不同运行状态。

目录

封面

声明

中文摘要

英文摘要

目录

1 绪论

1.1 论文选题背景和研究意义

1.2 国内外研究现状

1.3 论文的主要研究内容

2 轴承故障信号分析方法

2.1 滚动轴承的故障特征

2.2 故障特征提取方法

2.3 傅立叶分析法

2.4 小波分析法

2.5 小波包分析法

2.6 EMD分析法

2.7 数据的采集

2.8 小结

3 基于BP神经网络的故障诊断

3.1 人工神经网络的基本原理

3.2 BP神经网络

3.3 BP神经网络的改进

3.4 基于PSO算法的BP神经网络建模与仿真

3.5 小结

4 小波分析和BP神经网络的故障诊断仿真

4.1 故障诊断原理

4.2 故障诊断步骤

4.3 故障诊断仿真

4.4 小结

结论

致谢

参考文献

攻读学位期间的研究成果