基于希尔伯特-黄变换和神经网络的滚动轴承故障诊断.pdf

本文主要探讨了一种结合希尔伯特-黄变换（HHT）和神经网络的滚动轴承故障诊断新方法。针对传统BP神经网络在滚动轴承故障诊断中识别率不高的问题，研究者提出了一种优化策略，旨在提升特征提取的有效性和诊断准确性。 希尔伯特-黄变换（HHT）是一种非线性、非稳态信号分析工具，由经验模态分解（EMD）和希尔伯特变换两部分组成。EMD能够将复杂的振动信号分解为一系列简化的本征模态函数（IMF）分量，这些分量各自代表信号的不同频率成分。在滚动轴承故障诊断中，通过EMD可以更好地分离和理解振动信号中的关键特征。相关函数进一步用于评估这些IMF分量之间的关系，从而提供更多的信息。 接下来，利用Hilbert变换对IMF分量进行处理，得到希尔伯特边际谱，这有助于揭示信号的时间-频率特性。边际谱区域变化能量特征被提取作为故障识别的第二种特征向量。这种能量特征反映了信号在不同频率段的变化，对于区分不同类型的故障状态尤其重要。 传统的BP神经网络在训练过程中可能存在收敛速度慢、容易陷入局部最小值等问题，导致识别率较低。为了改进这一点，研究者采用了列文伯格-马夸尔特（LM）算法来优化BP神经网络的训练过程。LM算法是一种高效优化方法，能够加速网络权重的调整，提高网络的泛化能力和识别准确性。 将上述两种特征向量组合输入到经过LM算法优化的BP神经网络中，进行训练和测试，可以有效地实现滚动轴承的故障分类。实验结果表明，这种方法能有效提取轴承的故障特征信息，对于不同类型的故障具有较高的识别精度。 总结来说，这篇论文提出的诊断方法结合了HHT的强大信号分析能力与神经网络的模式识别能力，通过优化的LM算法提高了网络性能。这一创新方法对于改善滚动轴承的故障诊断效率和准确性具有重要意义，对于预防性维护和设备健康管理提供了有力的技术支持。同时，这种方法可能也适用于其他机械系统的故障诊断，具有广泛的潜在应用价值。