基于EMD与神经网络的滚动轴承故障诊断方法(2)

′

∫

-∞

+∞

|ci(t)|dt　　(i=1,2,…8)

2

(5)

(3)以能量为元素构造一个特征向量T;T=[E1,E2,E3,E4,E5,E6,E7,E8]

,理,可对T。

8

21/2

令E=(∑|Ei|)

i=1

(6)

则T==[E1/E,E2/E,E3/E,E4/E,E5/E,E6/E,

(7)E7/E,E8/E]

向量T即为归一化后的向量。

2.4　神经网络训练层

采用理论最为成熟、应用最为广泛的BP网络。在进行网络设计时,首先要确定网络的总层数和各层单元数,输入层单元数由特征参数个数确定;输出层单元数由状态数和状态编码方式确定;隐层一般为一层,问题复杂时可取两层,隐层单元数的选取目前尚无理论依据,可根据经验和使用情况确定。然后用各种状态样本组成训练样本集,地网络进行训练,确定各单元间连接权值。通过训练,训练样本的各种状态以权值的形式分布存储于网络之中,每一状态都是由所有权值来综合反映的,这种分布或全息式存储方式赋予了神经网络诊断模型较强的容错性和鲁棒性,当测试样本具有误差或噪声干扰时也能进行正确的诊断和分类。2.5　故障模式分类层

神经网络输出中的神经元数由故障模式数决定。受实验条件限制,此次实验只测取了内圈和外圈有故障的滚动轴承及正常滚动轴承的振动信号。因此,输出矩阵的状态编码分别为:正常轴承[1,0,0];外圈故

′

′

EMD

　88　

振动与冲击2005年第24卷

表1　基于EMD或小波包分析的滚动轴承故障识别结果

序号信号类型

123

预处理器

EMD

E10.92770.40040.94270.34010.95360.3565

E20.30120.73200.28610.81080.24850.5836

E30.14600.14890.14170.28310.14990.4500

E40.08960.13560.08450.28960.07140.2199

E50.07980.18140.02210.08440.02650.2748

E60.10240.37300.03450.22780.02030.4416

E70.04260.20690.02260.04470.00900.0644

E80.02410.22030.00870.04450.00120.0690

网络输出

(0.9547,0.0387,0.0423)(0.8936,0.0421,0.3241)

(0.0754,0.9392,0.0145)(0.0557,0.7832,0.4476)(0.0038,0.0043,0.9376)(0.0784,0.3987,0.7589)

正常外圈故障内圈故障

小波包分析

EMD

小波包分析

EMD

小波包分析

4　结　论

EMD分解基于信号的局部特征时间尺度,能把复

参考文献

1　PayaBA,EsatII.ArtificaialNeuralNetworkBasedFaultDi2

agnosticsofRotatingMachineryUsingWaveletTransformssaaPreprocessor.MechanicalSystemsandSignalProcessing1997.11(5):751—765

2　刘贵立,张国英.杂的信号函数分解为有限的固有模态函数之和,每一个IMF分量代表了一组特征尺度信号,因而对每一个平稳IMF分量提取能量特征,可以清楚地揭示故障的内在本质信息。另一方面,检验结果也证明了EMD分解后的前几个IMF分量中确实包含了故障主要信息。理论分析和试验结果表明,本文提出的基于EMD和BP圈和外圈故障。当采用基于EMD网络特征向量时,的识别能力。,识别率将更高。

研究.,:110—112

3..西安电子科技大学出版

,..中国机械工程,1999,10(9):978—981

5　杨国安等.一种适用于机械非平稳故障信号的分析方法.信

号处理,2001,7(3):287—290

6　HuangNE,etal.TheEmpiricalModeDecompositionandthe

HilbertSpectrumforNonlimearandNon-StationaryTimeSe2riesAnalysis.Proc.R.Soc.Lond.A,1998,454:903—995

(上接第80页)

7　许飞云,贾民平,钟秉林,黄　仁.旋转机械振动故障诊断的

[C],1995,1455-1461

13　NalinakshSV,SatishkumarD.ArtificialNeuralNetworkDe2

signforFaultIdentificationinaRotor2bearingSystem[J],MechanismandMachineTheory,2001,36:157-175

14　PawlakZ.RoughSets[J],InternationalJournalofInforma2

tionandComputerScience,1982,11(5):341-348

15　WalczakB,MassartDL.Roughsetstheory[J],Chemomet2

ricsandIntelligentLaboratorySystems,1999,47:1-1616　王　珏等.关于RoughSet理论与应用的综述[J].模式识

一种模糊神经网络方法研究[J].振动工程学报,1996,9

(3):213-219

8　方　敏,陈雁翔.基于模糊神经网络的机械故障诊断方法的

研究[J].控制理论与应用,1998,15(3):460-465

9　姚洪兴,赵林度,盛昭瀚.基于模糊神经网络的故障诊断方

法的应用[J].气轮机技术,2000,42(5):257-262

10　MathewJB.ExperimentsintheApplicationofNeuralNet2workstoRotatingMachineFaultDiagnosis[A],IEEEInterna2tionalJointConferenceonNeuralNetworks[C],MJBoek,1991,1:769-774

11　KwangheeN,SeongnoL.DiagnosisofRotatingMachinesbyUtilizingaBack2propagatingNeuralNet[A],Proceedingsofthe1992InternationalconferenceonIndustrialElectronics,Control,Instrumentation,andAutomation[C],1992,1064-1067

12　Byung2geunH,KwangheeN.FaultsDiagnosesofRotatingMachinesbyUsingNeuralNet:GRNNandBPN[J],Pro2ceedingsofthe1995IEEEIECON21stInternationalConfer2enceonIndustrialElectronics,Control,andInstrumentation

别与人工智能,1996,19(4):337-344

17　MitraS,MitraP,PalSK.EvolutionaryModularDesignof

RoughKnowledge2BasedNetworkUsingFuzzyAttributes[J],Neurocomputing,2001,36:45-66

18　王小平,曹立明.遗传算法———理论、应用与软件实现[M].西

安:西安交通大学出版社,2002,1-38

19　XuLei,KrzyzakA,SyenCY.Methodsofcombiningmulti2pleclassifiersandtheirapplicationstohandwrittenrecognition[J].IEEETrans.OnPAMI,1992,22(3):418-45320　SawyerJ.SawyerπsTurbomachineryMaintenanceHandbooks

[M],TurbomachineryInternationalPublications,1980

EMD

　8　

JOURNALOFVIBRATIONANDSHOCKVol.24No.12005

Keywords:fluid-structureinteraction,shock,ANSYS

FAULTDIAGNOSISOFROTORBASEDONSOFTCOMPUTING

LiRuqiang　ChenJin　WuXing

(TheStateKeyLaboratoryofVibration,Shock&NoiseofShanghaiJiaoTongUniversity,Shanghai200030)

　　Abstract　AmethodoffaultdiagnosisofrotorsbasedonsoftcomputingisproposedInthemethodvariousapproa2chessuchasfuzzysetstheory,artificialneuralnetwork,roughsetstheoryandgeneticalgorithm,areintegratedforsyn2thesizingtheirmeritsandeliminatingtheirshortcomingsforfaultdiagnosisofrotors.Basedonroughsetstheory,crudedomainknowledgerulesareextracted;dependentfactorsandantecedentcoveragefactorsofrulesarecalculatedfromsam2pledata.Theseareemployedforconstructingandconfiguringfuzzyneuralnetwork,wherethenumberofneuronsofhid2denlayerofnetworkisequatedtothenumberofrulesandtheinitialweightsofnetworkarebyabovefactors.Geneticalgorithmisalsoutilizedtooptimizethefuzzyoutputparametersofnetword.ofrotorexperimentshowsthatthemethodhasthemeritsofshortertrainingtimeandright,toothermethodsofdiagnosisbasedonfuzzyneuralnetwork.

Keywo …… 此处隐藏：4912字，全部文档内容请下载后查看。喜欢就下载吧 ……