EEMD和LM優(yōu)化法BP神經(jīng)網(wǎng)絡在滾動軸承早期故障診斷中的應用.pdf

1、滾動軸承是旋轉機械中非常關鍵的部件，其非常容易損壞，由于其壽命具有較大的離散性，對其定期全部檢修更換，高于其額定壽命的產(chǎn)生浪費;低于其額定壽命的則可能在檢修前發(fā)生故障，具有較大的安全隱患，故研究滾動軸承的早期故障診斷具有很高的實用價值。
　　 本文對滾動軸承的振動機理進行了剖析，介紹了滾動軸承的常見失效形式，研究了其故障振動信號的特征。針對傳統(tǒng)的時頻分析方法處理非平穩(wěn)信號具有自身的局限性;而具有自適應性的經(jīng)驗模態(tài)分解法適合處理像

2、滾動軸承故障振動信號這樣的非平穩(wěn)信號，但是在信號存在間歇性沖擊時存在模態(tài)混疊，提出了集成經(jīng)驗模態(tài)分解法。
　　 滾動軸承早期故障的振動信號處理中，微弱的故障特征信息被淹沒在強大的噪聲背景中，使得軸承故障特征信息提取困難，影響軸承故障的診斷和識別，提出了在軸承振動信號處理前需要對振動信號進行小波半軟閾值的去噪，較好地保留了信號的有用特征，去除了噪聲雜質，優(yōu)于傳統(tǒng)的小波軟、硬閾值去噪。
　　 為了提取滾動軸承早期局部損傷類故

3、障特征，有效地解決傳統(tǒng)信號包絡的帶通濾波器具有中心頻率和帶寬的選擇不確定性的問題，提出了一種以信號的相關性為判據(jù)，獲取總體經(jīng)驗模式分解(EEMD)的最佳IMF分量，并對其進行hilbert包絡解調獲取故障特征頻率的EEMD-hilbert包絡解調方法。使用EEMD對振動信號進行分解，獲取IMF特征能量矩和和相應振動信號的峭度因子。
　　 將IMF能量矩分別輸入普通BP神經(jīng)網(wǎng)絡和LM優(yōu)化神經(jīng)網(wǎng)絡進行訓練，驗證了相比較普通BP神經(jīng)網(wǎng)