基于數(shù)據(jù)驅動的電機軸承故障診斷方法研究.pdf

1、隨著現(xiàn)代工業(yè)規(guī)模的不斷擴大和系統(tǒng)復雜度的日益提高，電機軸承被越來越多的應用在工業(yè)生產(chǎn)中，因此，對電機軸承進行有效精確的故障診斷便成為了一項十分有意義的科研課題。本文在基于數(shù)據(jù)驅動的基礎上，提出基于集合經(jīng)驗模態(tài)分解(EEMD)-改進的局部均值分解(ILMD)-改進萬有引力搜索算法(IGSA)-增量概率神經(jīng)網(wǎng)絡(IPNN)的電機軸承故障診斷集合方法，以此提高電機軸承故障診斷的精確性。
　　本文全部的試驗數(shù)據(jù)都來自美國凱斯西儲大學軸承實

2、驗中心。而在工業(yè)生產(chǎn)中，由于電機軸承的工作環(huán)境往往十分嘈雜，再加上受到其他設備本身振動的干擾，使得其振動信號含有噪聲，因此，要對采集的數(shù)據(jù)進行預處理，減低噪聲。傳統(tǒng)的降噪方法不能很好的對非平穩(wěn)、非線性的數(shù)據(jù)進行降噪，本文采用對于非平穩(wěn)非線性信號有很強分解能力的EEMD算法，通過計算相關系數(shù)并設定閾值，對數(shù)據(jù)進行降噪預處理。故障提取方面，針對LMD存在的端點效應問題，提出改進LMD方法對數(shù)據(jù)進行分解以改善端點效應影響，并計算乘積函數(shù)分量的

3、樣本熵和能量作為特征參數(shù)，組成故障特征向量，作為故障診斷神經(jīng)網(wǎng)絡的輸入。故障診斷方法采用基于統(tǒng)計原理的前饋型神經(jīng)網(wǎng)絡IPNN，IPNN不需要設置初始權值，訓練簡潔，分類能力強。由于故障診斷中，網(wǎng)絡模型的參數(shù)會對診斷性能有著重大影響，故本文采用基于時變權重和邊界變異的改進GSA優(yōu)化算法對網(wǎng)絡模型的閾值進行優(yōu)化，以改善標準GSA算法收斂速度較慢且容易陷入到局部最優(yōu)狀態(tài)等缺點，提高分類結果的精確性。
　　通過理論研究和實驗結果可以表明，