針對滾動軸承故障尺寸難以定量診斷的問題,提出了變分模態(tài)分解(variational mode decomposition,VMD)和卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)相結(jié)合的診斷方法。首先對帶有不同故障尺寸滾動軸承的運行進行監(jiān)測,得到1個與滾動軸承故障尺寸有關(guān)的數(shù)據(jù)庫;然后對數(shù)據(jù)進行VMD,提取有效的訓練模式分量,并去除噪聲等的干擾;最后將訓練模式分量置入CNN進行訓練,得到能對滾動軸承故障尺寸進行預測的網(wǎng)絡(luò)模型。實驗結(jié)果表明,所提方法可有效實現(xiàn)對滾動軸承的定量診斷。 

【文章來源】：中國科技論文. 2020年07期 北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

滾動軸承實驗臺

將訓練集的數(shù)據(jù)輸入神經(jīng)網(wǎng)絡(luò),測試方案1的訓練和預測結(jié)果如圖7所示。由圖7(a)可以看出:訓練結(jié)果中的網(wǎng)絡(luò)輸出值在實際值周圍波動,在軸承故障尺寸分別為0.5 mm和0.75 mm時,輸出值和實際值非常接近;在軸承故障尺寸為1.00 mm以上時,預測值的波動范圍則更大。輸出值與實際值的相關(guān)系數(shù)為0.996 3,平均偏差為0.028 7,說明該神經(jīng)網(wǎng)絡(luò)對訓練集學習充分。由圖7(b)可以看出,在預測結(jié)果中,神經(jīng)網(wǎng)絡(luò)的輸出值與輸入的實際值比較接近。輸出值的平均值分別為0.41 mm和2.77 mm時,實際值則分別為0.25 mm和3.00 mm,輸出值的平均值和實際值之間的誤差絕對值為0.16 mm和0.23 mm,對于這種測試集分布在訓練集兩端之外的極端情況,存在一定程度誤差可以接受。

滾動軸承故障定量診斷流程

【參考文獻】：
期刊論文
[1]基于變分模態(tài)分解的動態(tài)閾值分區(qū)濾波方法[J]. 陳輝,陳元春,盧柃岐,馮俊,周彬.  中國科技論文. 2017(21)
[2]基于支持向量回歸的軸承故障定量診斷應(yīng)用[J]. 鞠華,沈長青,黃偉國,李雙,朱忠奎.  振動.測試與診斷. 2014(04)

碩士論文
[1]基于動態(tài)隨機卷積神經(jīng)網(wǎng)絡(luò)的手寫數(shù)字識別方法[D]. 劉威.吉林大學 2017
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的變速器故障分類識別研究[D]. 曾雪瓊.華南理工大學 2016
[3]滾動軸承故障數(shù)據(jù)集的采集及驗證[D]. 劉文強.北京交通大學 2015



本文編號：2914621