刘 霞 王鑫宇 路敬祎 李其浩

(东北石油大学 电气信息工程学院,黑龙江 大庆 163318)

0 引 言

电机作为工业生产的动力来源,其安全可靠运行是生产的前提。在电机的故障种类中,轴承故障占所有电机故障的40%以上[1]。电机轴承在内圈、外圈、滚动体上易产生裂纹、疲劳剥离等故障[2],其运行状态直接影响电机的工作精度和效率,严重时会发生灾难性的事故。因此对轴承故障诊断的研究具有重要意义。

轴承故障诊断主要分为故障信号获取、特征提取和模式识别3 部分。主成分分析(Principal Component Analysis)和线性判别分析(Linear Discriminant Analysis)是最为经典的特征提取算法[3-4],但这2 种方法由于轴承振动信号的非线性、非平稳性会导致部分非线性特征参数丢失。局部线性嵌入(LLE:Locally Linear Embedding)是一种非线性的特征提取方法,实现了局部邻域的优化选取,提取出最优的敏感故障特征[5]。近年来,许多科研人员将神经网络、智能算法等广泛应用于轴承故障诊断研究。李嫄源等[6]利用粒子群算法(PSO:Particle Swarm Optimization)优化支持向量机(SVM:Support Vector Machine)的惩罚参数和径向基核函数参数,提高故障识别率。多层前馈神经网络(BPNN:Back Propagation Neural Network)在轴承诊断中已取得成熟应用,但存在学习收敛速度慢、易陷入局部最小点等问题[7]。唐立力等[8]利用思维进化算法优化BP 网络中的权值和阈值,解决了该问题并提高了故障诊断准确度。

概率神经网络(PNN:Probabilistic Neural Network)是一种完全前向的计算过程,不需要进行反向误差计算,弥补了BP 神经网络的不足,且具有学习速度快,噪声容忍度高等特点,适合解决模式分类等问题[9-11]。……