本文關(guān)鍵詞：基于LMD與神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷方法，由筆耕文化傳播整理發(fā)布。

DOI:10.13465/http://www.wenkuxiazai.comki.jvs.2010.08.054

第29卷第8期

振　動　與　沖　擊

JOURNALOFVIBRATIONANDSHOCK

Vol.29No.82010　

基于LMD與神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷方法

程軍圣,史美麗,楊　宇

(湖南大學(xué)汽車車身先進(jìn)設(shè)計(jì)制造國家重點(diǎn)實(shí)驗(yàn)室,長沙　410082)

　　摘　要:針對滾動軸承的故障振動信號的非平穩(wěn)特性,提出了一種基于局部均值分解(Localmeandecomposition,

簡稱LMD)和神經(jīng)網(wǎng)絡(luò)的滾動軸承診斷方法。該方法首先對信號進(jìn)行局部均值分解,將其分解為若干個PF分量(Productfunction,簡稱PF)之和,再選取包含主要故障信息的PF分量進(jìn)行進(jìn)一步分析,從這些分量中提取時域統(tǒng)計(jì)量和能量等特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)來識別滾動軸承的故障類別。通過對滾動軸承正常狀態(tài),內(nèi)圈故障和外圈故障的分析,表明了基于LMD與神經(jīng)網(wǎng)絡(luò)的診斷方法比基于小波包分析與神經(jīng)網(wǎng)絡(luò)的診斷方法有更高的故障識別率,同時也證明了該方法可以準(zhǔn)確、有效地對滾動軸承的工作狀態(tài)和故障類型進(jìn)行分類。

關(guān)鍵詞:滾動軸承;LMD;神經(jīng)網(wǎng)絡(luò);故障診斷;特征參數(shù)中圖分類號:TH115　　　文獻(xiàn)標(biāo)識碼:A

　　在滾動軸承故障診斷中,故障特征信息的選擇和提取一直是診斷的關(guān)鍵,它直接影響到故障診斷結(jié)果的準(zhǔn)確性。滾動軸承故障振動信號大都為非平穩(wěn)信號,因此在故障診斷過程中有必要采用適合于處理非平穩(wěn)信號的特征提取方法。由于時頻分析方法能同時提供振動信號在時域和頻域的局部化信息而在滾動軸

[1,2]

承故障診斷中得到了廣泛的應(yīng)用。常見的時頻分析方法有Wigner分布、短時傅里葉變換、小波變換等,這些分析方法都有各自的局限性。如Wigner分布對多分量信號進(jìn)行分析時會產(chǎn)生交叉項(xiàng),短時傅里葉變

[5]

換的時頻窗口大小是固定不變的,小波變換雖然具

[6]

有可變的時頻窗口,但是和短時傅里葉變換一樣是對時頻平面的機(jī)械格型分割,本質(zhì)上它不是一種自適應(yīng)的信號處理方法。EMD(Empiricalmodedecomposi-tion,簡稱EMD)是一種自適應(yīng)的信號處理方法,它將復(fù)雜的多分量信號自適應(yīng)地分解為若干個IMF(Intrinsicmodefunction,簡稱IMF)分量之和,進(jìn)一步對每個IMF分量進(jìn)行Hilbert變換求出瞬時頻率和瞬時幅值,從而

[7,8]

得到原始信號完整的時頻分布。EMD方法自提出后在機(jī)械故障診斷等很多領(lǐng)域都得到了應(yīng)用,但是在理論上還存在一些問題,如EMD方法中的過包絡(luò)、欠包絡(luò)、模態(tài)混淆、端點(diǎn)效應(yīng)、IMF判據(jù)和沒有快速算法等問題,還有在利用Hilbert變換形成解析信號后計(jì)算瞬時頻率時會產(chǎn)生無法解釋的負(fù)頻[16]率,這些問題仍然處在研究當(dāng)中。

最近,JonathanS.Smith提出了一種新的自適應(yīng)時頻分析方法———局部均值分解(Lockalmeandecomposi-tion,簡稱LMD)方法。LMD方法將一個復(fù)雜的多分量

基金項(xiàng)目:國家自然科學(xué)基金資助項(xiàng)目(50775068)和湖南省博士后科

學(xué)基金(2008RS4004)

收稿日期:2009-04-27　修改稿收到日期:2009-07-24第一作者程軍圣男,博士,教授,博士生導(dǎo)師,1968年生

[12]

[13]

[14]

[15]

[9～11]

[3,4]

信號分解為若干個PF(Productfunction,簡稱PF)分量

之和。其中每一個PF分量由一個包絡(luò)信號和一個純調(diào)頻信號相乘而得到,將所有PF分量的瞬時幅值和瞬時頻率組合便可以得到原始信號完整的時頻分布。對其進(jìn)行分析可以更準(zhǔn)確有效的把握原始信號特征信息。當(dāng)滾動軸承發(fā)生故障時,局部損傷的滾動軸承元件在旋轉(zhuǎn)過程中產(chǎn)生脈動時引起的高頻沖擊振動不但會激起各個元件的固有頻率振動,而且各個固有頻率振動的幅值和頻率還會受到脈動激發(fā)力的調(diào)制,而各個機(jī)械元件又有各自的固有頻率,這說明滾動軸承故障振動信號具有多載波多調(diào)制的特性,是一種多分量的復(fù)雜的調(diào)幅-調(diào)頻信號,因此,為了提取出滾動軸承故障振動信號的故障特征,解調(diào)是一種有效的分析方法。LMD方法可以將復(fù)雜的多分量調(diào)幅-調(diào)頻信號自適應(yīng)分解成單分量的調(diào)幅-調(diào)頻信號,分解得到的PF分量很好的保持了原始信號的幅值和頻率變換,可見

LMD方法非常適合處理多分量的調(diào)幅-調(diào)頻信號。

本文擬將LMD方法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合起來,對滾動軸承進(jìn)行故障診斷。采用LMD方法將滾動軸承振動信號進(jìn)行分解,得到若干個單分量的調(diào)幅-調(diào)頻

信號,進(jìn)一步對提取這些單分量信號的偏度系數(shù)、峭度系數(shù)以及能量等特征向量作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù),采用神經(jīng)網(wǎng)絡(luò)的輸出對滾動軸承的工作狀態(tài)和故障類型進(jìn)行分類。為了驗(yàn)證LMD方法的優(yōu)越性,本文將LMD方法與小波包分析方法進(jìn)行了比較,即對原始信號進(jìn)行小波包分解,對分解重構(gòu)后的時間序列也提取相應(yīng)的特征參數(shù),輸入相同網(wǎng)絡(luò)進(jìn)行訓(xùn)練,用來識別滾動軸承的工作狀態(tài)和故障類型。實(shí)驗(yàn)結(jié)果表明,基于LMD的神經(jīng)網(wǎng)絡(luò)方法有更高的網(wǎng)絡(luò)識別率。

1　LMD方法

LMD方法從本質(zhì)上講LMD方法本質(zhì)上是從原始,

  本文關(guān)鍵詞：基于LMD與神經(jīng)網(wǎng)絡(luò)的滾動軸承故障診斷方法，，由筆耕文化傳播整理發(fā)布。