基于小波包變換和優(yōu)化Elman神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法研究.pdf

1、滾動(dòng)軸承在日常生活、工業(yè)生產(chǎn)以及國(guó)防建設(shè)等各個(gè)領(lǐng)域中應(yīng)用極其廣泛，對(duì)其故障診斷方法的研究?jī)?yōu)化具有一定的工程實(shí)踐價(jià)值。滾動(dòng)軸承單一的故障診斷方法諸如時(shí)域或頻域分析有著診斷精度低、不易實(shí)現(xiàn)智能診斷、只適合作粗略的診斷等缺陷，為彌補(bǔ)這些缺陷，本文設(shè)計(jì)了一種將小波包變換算法和經(jīng)布谷鳥搜索算法優(yōu)化的Elman神經(jīng)網(wǎng)絡(luò)（簡(jiǎn)稱CS-Elman）相結(jié)合的智能診斷方法，該方法由故障特征向量構(gòu)造和故障類型判別兩個(gè)環(huán)節(jié)組成。
　　基于小波包變換的故障特

2、征向量構(gòu)造方法對(duì)滾動(dòng)軸承時(shí)變、沖擊信號(hào)的處理尤為有效，它首先用小波包變換算法將振動(dòng)信號(hào)進(jìn)行多層小波包變換，每一層得到一系列寬度相同的頻段，然后對(duì)各個(gè)頻段提取能量值構(gòu)造出表征故障類型的特征參數(shù)向量，不同故障類型對(duì)應(yīng)的特征向量值的分布是不同的，最后用這些向量和故障編碼組成訓(xùn)練以及測(cè)試樣本集。
　　基于CS-Elman的故障類型判別方法可以有效提高故障診斷的速度與精度，首先隨機(jī)生成包含權(quán)值以及閾值參數(shù)的n個(gè)鳥窩位置向量，將訓(xùn)練誤差函數(shù)作