经验模态分解和神经网络在滚动轴承故障诊断中应用研究
2016-10-13陈立爱
安徽建筑大学学报 2016年4期
陈 松, 陈立爱,2
(1.安徽建筑大学 机械与电气工程学院,安徽 合肥 230601;2.安徽国祯环保节能科技股份有限公司,安徽 合肥 230088)
经验模态分解和神经网络在滚动轴承故障诊断中应用研究
陈 松1, 陈立爱1,2
(1.安徽建筑大学 机械与电气工程学院,安徽 合肥 230601;2.安徽国祯环保节能科技股份有限公司,安徽 合肥 230088)
针对滚动轴承故障振动信号的非平稳特征, 提出了一种基于经验模态分解的滚动轴承故障诊断方法,对采集的信号范围进行了筛选。利用经验模态分解将振动信号分解为多个平稳的固有模态函数。选取包含主要故障信息的IMF 分量分析其时域和频域特征。将时域信号特征量和频谱图峰值对应的频率归一化处理,输入Elman神经网络进行工作状态的自动判断。
经验模态分解; 神经网络; 轴承; 故障诊断。
0 引 言
滚动轴承具有摩擦阻力小和润滑易实现等优点,是旋转机械的基本组成部件。轴承在机械设备中承受载荷,传递载荷,但工作条件最恶劣,是易损零件。据有关资料统计,对于使用滚动轴承的机械设备,故障设备中约有30%是由于滚动轴承损坏引起。出现轴承故障可能导致系统失去某些功能,或造成严重的生产事故。因此,滚动轴承故障诊断技术的研究具有很重要的意义[1]。
可以通过测量振动信号对轴承进行诊断。在传统的处理方法中,例如用傅里叶变换处理非平稳、非线性信号会出现无意义的谐波分量。故障信号经常表现出非平稳的特征,对它们进行傅立叶分析不能兼顾信号在时频域中的全局特征和局部特征[2]。……
登录APP查看全文
