基于神经网络的滚动轴承故障诊断研究

论文摘要

故障诊断对于人类工业生产等领域避免重大灾难的发生,使其高效地稳定运行具有重要意义。本论文针对旋转机械中滚动轴承的故障,应用小波分析对非平稳态振动信号进行处理,应用神经网络进行故障诊断。主要研究内容如下:首先,分析了故障诊断领域的非平稳信号分析方法,着重讨论了小波应用于时频分析的多分辨率特点,研究了选取最优小波包基与搜索最优基节点的方法,并利用小波包对原始信号进行预处理,提取特征向量。其次,研究和比较了基于误差反向传播神经网络、径向基函数神经网络、Elman神经网络和模糊自适应共振神经网络的滚动轴承故障诊断算法。针对滚动轴承故障诊断实验数据,分别采用不同的神经网络方法来处理经小波包提取得到的特征向量中故障信息,预测早期故障并识别严重故障,进行故障诊断。通过仿真结果分析和比较了不同神经网络进行振动信号中故障识别的性能。最后,研究了应用概率神经网络进行滚动轴承故障诊断的方法。该方法应用小波多分辨率分析法提取信号的故障特征值,依据有限训练样本构造其多元高斯概率分布,计算出非线性决策边界,得到未知样本逼近贝叶斯准则的最优分类判定。实验结果显示和其他神经网络方法相比,该方法能够更准确地完成多故障模式分类,有效区别滚动轴承的不同故障,诊断准确率更高,网络训练用时更短。

论文目录

• 摘要
• Abstract
• 第1章 绪论
• 1.1 课题背景和意义
• 1.2 国内外相关技术及发展现状
• 1.2.1 故障诊断技术的发展与现状
• 1.2.2 智能诊断技术的发展与现状
• 1.2.3 滚动轴承诊断技术的发展与现状
• 1.3 研究内容
• 第2章 故障诊断数据及特征提取
• 2.1 硬件平台与测试数据
• 2.2 小波包提取特征向量
• 2.2.1 小波多分辨率分析
• 2.2.2 小波包的基本原理
• 2.2.3 小波包的子空间分解
• 2.2.4 最优小波包基的选取
• 2.2.5 基于最优小波包基提取特征向量
• 2.2.6 滚动轴承故障诊断特征向量提取
• 2.3 本章小结
• 第3章 基于神经网络的滚动轴承故障诊断
• 3.1 基于BP神经网络的滚动轴承故障诊断
• 3.1.1 BP神经网络的结构
• 3.1.2 BP神经网络的算法
• 3.1.3 BP神经网络故障诊断系统设计及仿真
• 3.1.4 BP神经网络应用于故障诊断的缺点
• 3.2 基于RBF神经网络的滚动轴承故障诊断
• 3.2.1 RBF神经网络的结构
• 3.2.2 RBF神经网络的算法
• 3.2.3 RBF神经网络故障诊断系统设计与仿真
• 3.2.4 RBF神经网络应用于故障诊断的缺点
• 3.3 基于Elman神经网络的滚动轴承故障诊断
• 3.3.1 Elman神经网络的结构
• 3.3.2 Elman神经网络的算法
• 3.3.3 Elman神经网络故障诊断系统设计与仿真
• 3.3.4 Elman神经网络应用于故障诊断的结果分析
• 3.4 基于模糊ART神经网络的滚动轴承故障诊断
• 3.4.1 模糊ART神经网络的结构
• 3.4.2 模糊ART神经网络的算法
• 3.4.3 模糊ART神经网络故障诊断系统设计与仿真
• 3.4.4 模糊 ART神经网络应用于故障诊断的结果分析
• 3.5 本章小结
• 第4章 基于概率神经网络的滚动轴承故障诊断
• 4.1 概率神经网络简介
• 4.2 概率神经网络的结构
• 4.3 概率神经网络的学习算法
• 4.3.1 概率密度函数的估计方法
• 4.3.2 Parzen窗法
• 4.3.3 基于Parzen窗方法的概率神经网络算法
• 4.4 基于概率神经网络的故障诊断仿真
• 4.4.1 七模式问题
• 4.4.2 八模式问题
• 4.5 概率神经网络应用于故障诊断的结果分析
• 4.6 本章小结
• 结论
• 参考文献
• 攻读学位期间发表的学术论文
• 致谢