一种基于emd和bp神经网络的电机轴承故障辨识方法

文档序号:9350218阅读:334来源:国知局
一种基于emd和bp神经网络的电机轴承故障辨识方法
【技术领域】
[0001] 本发明属于轴承故障诊断领域,具体涉及一种基于EMD和BP神经网络的电机轴承 故障辨识方法。
【背景技术】
[0002] 目前电机获得了广泛的使用,并且已经成为机械装备或旋转系统不可或缺的部件 之一。有关文献显示:电机的故障形式有定子、转子和轴承等形式,而其中轴承的故障占大 约50%。因此研究轴承的故障诊断具有重要的现实意义。
[0003] 轴承的故障诊断一般分为三个步骤:信号采集、故障提取(信号处理)和故障诊断。 其中故障提取是关键步骤。如何有效的提取故障信号一直是轴承故障研究领域的热门。信 号处理与频谱分析的目的是要描述信号的频谱含量在时间上变化,以便能在时间和频谱上 同时表示信号的能量或者强度。传统的傅立叶变化并没有告诉我们那些频率在什么时候出 现,因此该方法无法表现出信号的时变性。

【发明内容】

[0004] 本发明要解决的技术问题是提供一种基于EMD和BP神经网络的电机轴承故障辨 识方法。
[0005] 为解决上述问题,本发明采用的技术方案如下:首先获取轴承振动信号,并设轴承 振动信号为ift),表示丨时刻所采集的振动信号,其特征在于:所述的电机轴承故障辨识方 法分3部分:
选,源信号分解为: W
5)当IMF分量或余量小于预先设定值,或者余量^已经成为单调函数,则整个筛 选过程结束; 二、特征提取: 计算步骤如下: I)对轴承振动信号进行EMD处理,产生一系列頂F(= 1、2、3……),可以组成 矩阵,每一列为頂F,每个頂F共有;?量组成; II )计算每个列的Hilbert变换的能量,见公式(3)
三、 辨识: 建立轴承常用故障数据库,分成三个总体g、G2、1?,分别代表正常轴承、内圈损坏 和外圈损坏,模式识别转为求所获取当前信号的归属,计算新样本到总体的绝对值距离i、 ||、_作为BP神经网络的输入向量。
[0006] 所述的基于EMD和BP神经网络的电机轴承故障辨识方法,其特征在于:所述的BP 网络为三层结构,从输入层到隐含层和从隐含层到输出层的转移函数分别采用TANSIG和L0GSIG,以下是BP神经网络设计步骤: (1) 由以上判别分析可知,新样本与各总体的距离判别获得三个距离值,BP网络来实 现故障类型识别,判断该新样本属于正常轴承还是内圈损坏或外圈损坏,由此输入节点数 为3个; (2) 按照轴承故障发生的部位可以分为三类,输出值范围:0~1,设置三类输出期望值: [0? 9 0? 1 0? 1](表示正常),[0? 1 0? 9 0? 1](表示内圈损坏),[0? 1 0? 1 0? 9](表示外圈损 坏); (3) 隐含层的最佳神经元个数采用试凑法确定,按照经验公式设定初值,然后不断尝 试,最终认为10个神经元为最佳。 本发明的本专利基于EMD和BP神经网络的电机轴承故障辨识方法,以振动信号为研究 对象,将多元统计分析中的判别分析与经验模态分解(EMD)分析相结合,提出轴承故障诊断 一种方法,通过该方法对数据处理、特征提取和辨识能有效自动区分轴承故障类型。
【附图说明】
[0007] 下面结合附图和【具体实施方式】对本发明作进一步详细的说明。
[0008] 图1是轴承在同一转速下的时域图和内圈损坏下的时域图; 图2是轴承正常状态下的EMD分解图。
【具体实施方式】
[0009] 本发明的基于EMD(EmpiricalModeDecomposition,基于经验模态分解)和BP神 经网络的电机轴承故障辨识方法,首先获取轴承振动信号,并设轴承振动信号为fft),表示¥ 时刻所采集的振动信号,所述的电机轴承故障辨识方法分3部分: 一、首先对信,进行EMD变换,步骤如下: 1) 设源信号为,求极大值点,并用三次样条插值函数拟合,为上包络线; 2) 对源信号.11?,求极小值点,也用三次样条拟合,为下包络线,并由上下包络线求取 均值包络线; 上述三次样条拟合是指利用所求得离散点形成一条光滑曲线的函数;当上包络线为
3) ,若%满足成为頂F的两个条件,则_便为分解出来的第一个頂F C,否则重复步骤1)、2); i. 筛选过程有两个目的:1、可消除载波;2、使得波形更对称;所以筛选过程必须重复进 行很多次才能达到这些结果;
5)当IMF分量或余量iy小于预先设定值,或者余量^已经成为单调函数,则整个筛 选过程结束,If表示分解成MF的个数;这样EMD分析将信号分解为多个頂F分量之和。
[0010] 二、特征提取: 计算步骤如下:
[0011] 三、辨识: 建立轴承常用故障数据库,分成三个总体|、g,分别代表正常轴承、内圈损坏和 外圈损坏,模式识别转为求所获取当前信号的归属,计算新样本到总体的绝对值距离_、 i- d2、^作为bp神经网络的输入向量,距离近说明靠近该总体,属于该类状态。
[0012] 这里选取的BP网络为三层结构。从输入层到隐含层和从隐含层到输出层的转移 函数分别采用TANSIG传递函数和LOGSIG传递函数,以下是BP神经网络设计步骤: (1) 由以上判别分析可知,新样本与各总体的距离判别获得三个距离值,BP网络来实 现故障类型识别,判断该新样本属于正常轴承还是内圈损坏或外圈损坏,由此输入节点数 为3个; (2) 按照轴承故障发生的部位可以分为三类,输出值范围:0~1,设置三类输出期望值: [0? 9 0? 1 0? 1](表示正常),[0? 1 0? 9 0? 1](表示内圈损坏),[0? 1 0? 1 0? 9](表示外圈损 坏); (3) 隐含层的最佳神经元个数采用试凑法确定,按照经验公式设定初值,然后不断尝 试,最终认为10个神经元为最佳。 通过以上数据处理、特征提取和辨识能有效自动区分轴承故障类型。
[0013] 通过下面试验例,进一步说明本发明的有益效果: 取电机振动信号进行上述过程仿真。该轴承在同一转速下的时域图和内圈损坏下的时 域图如图1所示,该轴承正常状态下的EMD分解图如图2所示。
[0014] 该轴承部分振动信号的计算结果见表1所示: 表1轴承IMF能量均值
表3为新样本与三总体的绝对距离值(共三个样本,一行代表一个样本),数值越小说明 属于对应总体,而表4由BP神经网络输出数值越靠近1为真值。由表3和4说明故障辨识 能符合最初设想。
[0015] 以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和 原则之内所作的任何修改、等同替换和改进等,均包含在本发明的保护范围之内。
【主权项】
1. 一种基于EMD和BP神经网络的电机轴承故障辨识方法,首先获取轴承振动信号,并 设轴承振动信号为,表示t:时刻所采集的振动信号,其特征在于:所述的电机轴承故障 辨识方法分3部分: 一、 首先对信号进行EMD变换,步骤如下: 1) 设源信号为,求极大值点,并用三次样条插值函数拟合,为上包络线; 2) 对源信号|f|,求极小值点,也用三次样条拟合,为下包络线,并由上下包络线求取 均值包络线; 3) 求若%满足成为頂F的两个条件,则便为分解出来的第一个頂F ||,否则重复步骤1)、2); 4) 默认当SI的值小于0. 1便认为是IMF,%公式(1):式中Ι§:||Ρ:·?_|为求第一个頂F筛选计算过程中第1次均值包络,经过筛 选,源信号__分解为:5) 当IMF分量或余量r^/j、于预先设定值,或者余量^已经成为单调函数,则整个筛 选过程结束; 二、 特征提取: 计算步骤如下: I )对轴承振动信号IiYi进行EMD处理,产生一系列頂F (= 1、2、3……),可以组成 ' ? Ar .矩阵,每一列为頂F,每个頂F共有量组成; II )计算每个列的Hilbert变换的能量,见公式(3)三、辨识: 建立轴承常用故障数据库,分成三个总体Gi、G:、δ3,分别代表正常轴承、内圈损坏 和外圈损坏,模式识别转为求所获取当前信号的归属,计算新样本到总体的绝对值距离Ii 、:_、||作为BP神经网络的输入向量。2.根据权利要求1所述的基于EMD和BP神经网络的电机轴承故障辨识方法,其特征在 于:所述的BP网络为三层结构,从输入层到隐含层和从隐含层到输出层的转移函数分别采 用TANSIG和LOGSIG,以下是BP神经网络设计步骤: (1) 由以上判别分析可知,新样本与各总体的距离判别获得三个距离值,BP网络来实 现故障类型识别,判断该新样本属于正常轴承还是内圈损坏或外圈损坏,由此输入节点数 为3个; (2) 按照轴承故障发生的部位可以分为三类,输出值范围:0~1,设置三类输出期望值: [0· 9 0· 1 0· 1](表示正常),[0· 1 0· 9 0· 1](表示内圈损坏),[0· 1 0· 1 0· 9](表示外圈损 坏); (3) 隐含层的最佳神经元个数采用试凑法确定,按照经验公式设定初值,然后不断尝 试,最终认为10个神经元为最佳。
【专利摘要】本发明公开一种基于EMD和BP神经网络的电机轴承故障辨识方法,采用的技术方案如下:首先获取轴承振动信号,并设轴承振动信号为????????????????????????????????????????????????,表示时刻所采集的振动信号,所述的电机轴承故障辨识方法分3部分,一、首先对信号进行EMD变换;二、特征提取;三、辨识。本发明的本专利基于EMD和BP神经网络的电机轴承故障辨识方法,以振动信号为研究对象,将多元统计分析中的判别分析与经验模态分解(EMD)分析相结合,提出轴承故障诊断一种方法,通过该方法对数据处理、特征提取和辨识能有效自动区分轴承故障类型。
【IPC分类】G06F19/00, G01M13/04
【公开号】CN105069291
【申请号】CN201510476672
【发明人】黄克
【申请人】温州大学
【公开日】2015年11月18日
【申请日】2015年8月6日
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1