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