基于小波包络解调与人工神经网络的轴承智能诊断技术研究

论文摘要

滚动轴承是机械设备中最常用的部件之一,因此对滚动轴承故障诊断的研究十分重要。当滚动轴承某一元件表面出现局部损伤时,在受载运行过程中要周期性地撞击与之相互作用的其他元件表面,从而产生周期性的冲击脉冲力。由于冲击脉冲力的频带很宽,会覆盖轴承系统的各个固有频率,所以该脉冲力同理想脉冲一样必然激起轴承系统的各个固有振动。这样原来的平稳振动信号变成了非平稳振动信号。傅立叶变换在频域上是完全局部化的,但它不能提供任何时域的局部化特征,因此它不适应非平稳信号的分析。小波分析能多尺度地同时提供信号在时域和频域的局部化信息,因而成为信号处理尤其是非平稳信号处理的重要手段。人工神经网络因其特有的优势使得它的应用日益广泛,它的计算能力有三个显著的特点:一是它的非线性特征;二是并行分布结构;三是它的学习和归纳能力。同时,它实现容易,采用大量简单的神经元构成神经网络解决难以直接使用解析式处理的问题。因此将神经网络引入轴承故障诊断正好利用其特点,将问题处理从传统方法转向人工智能方面。针对基于小波包络解调技术的滚动轴承故障诊断,本文主以下几方面展开研究:1、系统的介绍了滚动轴承的振动机理及其典型故障的振动特征;2、细致地阐述了小波分析的基本理论及其在信号处理中的应用;3、阐述了基于小波包分解与重构的包络解调法(小波包络法)和小波包分解频带能量监测法(小波包能量法)的原理,分别用这两种方法对滚动轴承几种典型故障进行了诊断,并提取特征向量。4、分别将得到的两种特征向量与BP神经网络相结合进行训练和识别,并将结果作比较,得出的结论是小波包络法提取的特征能够更好的反应出轴承的状态。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题研究的目的及意义
• 1.2 轴承故障诊断技术的发展及研究状况
• 1.2.1 轴承故障诊断技术的发展
• 1.2.2 轴承故障诊断研究文献综述
• 1.3 小波包络解调技术的提出
• 1.4 论文的章节安排和主要内容
• 第2章 滚动轴承的故障机理及诊断实验
• 2.1 概述
• 2.2 滚动轴承异常的基本形式
• 2.3 滚动轴承的故障类型及其故障特征
• 2.3.1 滚动轴承的固有振动频率
• 2.3.2 滚动轴承的缺陷特征频率
• 2.3.3 滚动轴承的振动及其故障特性
• 2.4 轴承故障诊断实验平台的建立
• 2.4.1 硬件设备的选择
• 2.4.2 实验平台搭建
• 2.4.3 实验数据采集系统
• 2.4.4 滚动轴承的故障模拟
• 2.5 本章小结
• 第3章 滚动轴承振动信号处理
• 3.1 概述
• 3.2 滚动轴承振动信号时域分析方法
• 3.3 傅立叶变换
• 3.4 小波包络分析方法的基本理论
• 3.4.1 小波的基本理论
• 3.4.2 小波包分析
• 3.4.3 小波包的定义
• 3.4.4 小波包分析的频带交错
• 3.4.5 包络解调技术的基本理论
• 3.4.6 包络解调技术对仿真信号的处理
• 3.4.7 直接用包络解调技术对实际故障轴承信号的处理
• 3.5 基于MATLAB的小波包络技术的编程
• 3.5.1 MATLAB软件的介绍
• 3.5.2 小波包络技术的程序实现
• 3.6 小波包络技术在轴承故障诊断中的应用
• 3.6.1 小波包络技术对内圈故障轴承振动信号的分析
• 3.6.2 小波包络技术对外圈故障轴承振动信号的分析
• 3.7 小波包能量法在轴承故障诊断中的应用
• 3.8 本章小结
• 第4章 滚动轴承振动信号特征提取
• 4.1 概述
• 4.1.1 小波包络法提取特征向量
• 4.1.2 小波包能量法提取特征向量
• 4.1.3 小波包络法与小波包能量法提取特征比较
• 4.2 本章小结
• 第5章 人工神经网络智能诊断
• 5.1 概述
• 5.2 神经网络故障诊断方法研究
• 5.3 BP神经网络
• 5.3.1 BP神经网络结构
• 5.3.2 BP神经网络设计
• 5.3.3 BP神经网络的快速学习算法与选择
• 5.4 BP神经网络在轴承故障诊断中的应用
• 5.4.1 BP神经网络初始参数的设定
• 5.4.2 基于BP神经网络的智能诊断实例
• 5.5 本章小结
• 结论及展望
• 结论
• 研究展望
• 致谢
• 参考文献
• 攻读硕士研究生期间发表的论文
• 附录