基于MIV特征篩選和BP神經(jīng)網(wǎng)絡的滾動軸承故障診斷技術研究.pdf

1、滾動軸承是旋轉(zhuǎn)機械中比較常見的而且易損壞的部件,軸承的好壞對機器的工作狀況影響很大。它的運行狀態(tài)直接影響整臺機器的性能,一旦發(fā)生故障就成為引起機械設備失效的重要原因,據(jù)統(tǒng)計旋轉(zhuǎn)機械的故障有30％是由軸承引起的。因此,對滾動軸承的狀態(tài)監(jiān)測和故障診斷是機械設備故障診斷的重要研究內(nèi)容。在設備故障診斷中,構成故障的特征空間是非常復雜的非線性關系,很難建立數(shù)學模型。人工神經(jīng)網(wǎng)絡能夠映射任意復雜的非線性關系,具有自學習、自組織和自適應等特征,被廣泛

2、地應用于機械故障診斷中。本文提出了MIV算法,時/頻域分析法和BP神經(jīng)網(wǎng)絡算法對滾動軸承做了故障診斷。主要研究了以下內(nèi)容:
　　 首先,介紹了滾動軸承的結(jié)構特征以及產(chǎn)生的故障原因,以及人工神經(jīng)網(wǎng)絡的基本知識,選取BP神經(jīng)網(wǎng)絡做滾動軸承故障診斷的原因。設計了滾動軸承的信號采集系統(tǒng),采集并處理了正常軸承、內(nèi)圈故障軸承、外圈故障軸承、滾動體故障軸承的振動數(shù)據(jù),作為基于BP神經(jīng)網(wǎng)絡的滾動軸承故障診斷實驗仿真的數(shù)據(jù)樣本。
　　 其

3、次,結(jié)合BP神經(jīng)網(wǎng)絡和MIV算法對常用的時域特征參數(shù)和頻域特征參數(shù)做了特征篩選,根據(jù)仿真結(jié)果即MIV值的大小,得到8個敏感故障特征參量,即他們更能反映故障特征。之后選用時域、頻域分析法,分別分析這8個特征參量的對故障特征的敏感程度,得到方差、均方根值、峰值、裕度因子、總功率譜和以及峭度系數(shù)對故障最為敏感,并確定為BP神經(jīng)網(wǎng)絡的輸入。
　　 再次,設計了對滾動軸承做故障診斷的BP神經(jīng)網(wǎng)絡的結(jié)構。確定了BP神經(jīng)網(wǎng)絡的結(jié)構參數(shù),分析了

4、BP神經(jīng)網(wǎng)絡的結(jié)構參數(shù)的設置對網(wǎng)絡性能的影響。主要包括:激活函數(shù)、學習算法、數(shù)據(jù)預處理方法、網(wǎng)絡初始權值以及期望誤差的選取,輸入神經(jīng)元、隱層節(jié)點數(shù)、網(wǎng)絡學習率和訓練系數(shù)對網(wǎng)絡性能的影響情況。
　　 最后,利用前文的實測的滾動軸承的數(shù)據(jù),以及設計好的BP神經(jīng)網(wǎng)絡故障診斷系統(tǒng),對滾動軸承做了故障診斷仿真實驗。確定了訓練樣本和預測樣本,完成了對軸承的故障診斷和分類,并求取了分類誤差率。仿真研究結(jié)果表明了診斷系統(tǒng)的有效性,驗證了BP神經(jīng)