基于小波变换和神经网络的滚动轴承故障诊断系统
滚动轴承故障诊断是满足工业生产需求而逐步发展起来的一个混合性学科,是维持机械设备平稳运行的一项实用手段.小波变换和神经网络已有很长的研究历史,理论体系日益成熟和完善,并且作为一种有效的诊断工具被广泛应用在实际的滚动轴承故障诊断工程领域中.本文以小波变换和神经网络为数学依据,对滚动轴承故障诊断系统进行设计与研究,本文主要内容如下:1.研究运用小波变换实行滚动轴承振动信号的消噪方式.学习小波模极大、小波相关性、小波阈值等降噪的基本原理和算法实现步骤,并通过对加有白噪声的Bumps测试信号消噪仿真验证这些方法的有效性.比较分析它们的优缺点,决定利用小波变换软阈值法对滚动轴承故障信号消噪,Matlab实验证明该方法具有好的消噪效果.2.研究以小波能量谱作为滚动轴承振动信号故障特征的抽取过程.首先将滚动轴承振动数据实行小波分解并单层重构,实现不同频带的信号分离,再算出每个频带上信号的时域能量构成能量谱特征向量.在此过程中,针对信号经小波分解单层重构算法处理后,相邻频带上的信号存在频率交叠的情况,提出运用傅里叶变换方法剔除信号经过小波滤波器滤波后的多余成分,使信号能够精准划分到各自频带中.对于提取出的小波能量谱特征向量维数过多导致系统识别速度变慢的问题,提出利用PCA技术进行降维处理的新思路,使用Matlab仿真验证该方法的有效性.3.研究运用概率神经网络对滚动轴承故障特征的辨别方式.首先把已知故障类别的轴承特征向量组成训练集,组建概率神经网络框架;然后利用概率神经网络根据抽取的滚动轴承故障特征判断出损伤发生的具体位置,达到诊断的功效.针对网络对于某些特征相似但属于不同故障类别的故障特征辨认能力欠佳的问题,提出利用学习向量量化(LVQ2)算法对概率神经网络输出竞争层的权值进行有教师训练,通过Matlab仿真验证该方法可提高网络识别准确率.
- 作者:
- 蔡苗苗
- 学位授予单位:
- 东北石油大学
- 专业名称:
- 控制工程(专业学位)
- 授予学位:
- 硕士
- 学位年度:
- 2015年
- 导师姓名:
- 邵克勇;邢晋红
- 中图分类号:
- TH133.33;TP18
- 关键词:
- 滚动轴承;故障诊断;小波软阈值;小波能量谱;概率神经网络
- rolling bearing; fault diagnosis; wavelet soft-threshold; wavelet energy spectrum; Probabilistic Neural Network