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

1、隨著現(xiàn)代科技的飛速進(jìn)步,各生產(chǎn)行業(yè)的機(jī)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(jī)床設(shè)備作為生產(chǎn)廠家賴以生存的“生命線”,其運(yùn)行狀態(tài)的好壞關(guān)系著整個(gè)生產(chǎn)廠家安全生產(chǎn)。滾動(dòng)軸承作為機(jī)床機(jī)械設(shè)備一個(gè)極其重要的組成部分,對(duì)其進(jìn)行工作狀態(tài)檢測(cè)和故障診斷具有很強(qiáng)的現(xiàn)實(shí)意義。本文通過(guò)HHT方法中的經(jīng)驗(yàn)?zāi)B(tài)分解(EMD)算法對(duì)機(jī)床滾動(dòng)軸承故障信號(hào)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(jī)的方法對(duì)機(jī)床滾動(dòng)軸承故障狀態(tài)進(jìn)行識(shí)別。

2、
　　首先,本文研究了EMD分解算法,它具有極強(qiáng)的自適應(yīng)性和極高的信號(hào)局部時(shí)間特征尺度分析性能,可將各類振動(dòng)信號(hào)分解為有限個(gè)不同時(shí)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(jī)床滾動(dòng)軸承進(jìn)行模式識(shí)別上本文采用了典型的BP人工神經(jīng)網(wǎng)絡(luò)、改進(jìn)的LM-BP神經(jīng)網(wǎng)絡(luò)算法與EMD算法相結(jié)合,實(shí)驗(yàn)結(jié)果證明基于LM-BP神經(jīng)網(wǎng)絡(luò)的機(jī)床滾動(dòng)軸承故障診斷是可行的,并且診斷效果良好,能夠