中图分类号 :TH133.33 文献标识码 :A 文章编号 :1009-2552
(
2008
)
08-0053-03
基于神经网络的滚动轴承故障诊断智能方法
张振飞
1,2
, 夏利民
1
(
1. 中南大学信息科学与工程学院 , 长沙 410083;2. 湖南工学院电气与信息工程系 , 衡阳 421002
)
摘 要 : 提出了基于神经网络的滚动轴承故障诊断方法。以滚动轴承小波分解后的能量信息作
为特征 , 通过神经网络作为分类器对滚动轴承故障进行识别。经过实验表明 , 该方法对于滚动
轴承的故障诊断具有一定的应用价值 , 并可方便地推广到其他类似的诊断领域。
关键词 : 滚动轴承 ; 神经网络 ; 故障诊断
Intelligentmethodoffaultdiagnosisofrolling
bearingbasedonneuralnetwork
ZHANGZhen2fei
1,2
,XIALi 2min
1
(
1. SchoolofInformationScienceandEngineering ,CentralSouthUniversity ,Changsha410083,China;
2. DepartmentofElectricityandInformationEngineering , HunanInstituteofTechnology , Hengyang421002,China
)
Abstract: Thispaperpresentsamethodforfaulttestingonrollingbearingbasedonneuralnetwork.The
waveletenergyisadoptedtorepresentbearingsignal πsfeature,andaBPneuralnetworkistrainedandserved
asclassifieroffaultdiagnosissystem.Thismethodiscontributiveforrollingbearing πsfaultdiagnosisanditcan
beeasilyextendedtootherrelativefaultdiagnosisareas.
Keywords : rollingbearing;neuralnetwork;faultdiagnosis
0 引言
滚动轴承是机械设备重要的易损零件之一 ,它
的运行状态直接影响到整个机械设备的状态。由于
工作面接触应力的长期反复作用 ,极易引起轴承疲
劳、裂纹、压痕等故障 ,严重的会导致轴承断裂 ,造成
事故。在旋转机械设备故障中 ,约有 30% 的故障是
由轴承损坏引起的。传统的诊断方法如冲击脉冲
法
[1]
和共振解调法
[2]
虽然较大的提高了诊断精度 ,
但是仍然需要人工辅助 ,难以实现复杂环境下的精
确诊断。因此 ,采用智能方法对滚动轴承进行状态
检测以及故障诊断显得十分必要。而神经网络作为
一种应用广泛的智能方法 ,具有非线性映射能力强 ,
以及自学习、自组织和自适应的优点 ,非常适合于滚
动轴承的故障诊断。
1 滚动轴承的特征提取
滚动轴承在旋转过程中难免会产生振动 ,当滚
动轴承存在缺陷时 ,将会对元件产生冲击 ,而这种冲
击将会进一步引起整个轴承的振动。对应不同缺
陷 ,这些振动将呈现出不同的特征。从总体上可将
滚动轴承缺陷的振动划分为低频诊断和高频诊断 ,
其中低频诊断主要是针对滚动轴承中各元件缺陷的
旋转特征频率进行的 ;而高频诊断则着眼于滚动轴
承因存在缺陷时所激发的各元件的固有频率振动。
它们在原理上没有太大的区别 ,滚动轴承特征提取
的原则就是寻求一种能够表现不同故障类型在滚动
轴承振动频域上的特定分布的方法。
而小波变换
(
WaveletTransform
)
是一种新的时频
分析方法
[3-4]
,被誉为分析信号的显微镜 ,很适合提
取非稳态信号。我们采用 Mallat 小波分解算法 ,对
采集到的滚动轴承的加速度信号作三层分解 ,将采
集到的振动信息划分为 8 个频带。再依据分解后各
收稿日期 : 2008-06-04
作者简介 : 张振飞
(
1966-
)
,男 ,湖南工学院电气与信息工程系高级
实验师 ,主要从事电气自动化实验教学和管理工作 ,现
为中南大学在读硕士 ,从事信号分析与处理以及控制工
程方面的研究。
—35—
评论0