基于小波分析与神经网络的轴承故障诊断研究

论文摘要

随着机械设备复杂程度和自动化水平的提高,机械设备故障诊断的重要性日益显著,而选择合适的诊断方法对于诊断结果是否精确至关重要。在智能故障诊断技术的研究中,小波分析和神经网络技术都是热点研究内容,也是研究的前沿。小波分析和神经网络的结合,也是一个吸引人的课题。本文研究了小波分析基本理论,根据小波包变换能将信号按任意时频分辨率分解到不同频段的特性,提出基于小波包能量的特征提取方法,仿真实验证实了该方法的正确性和有效性。本文综述了BP神经网络、RBF神经网络及Fuzzy ART网络的建模原理与训练算法,针对BP算法的不足,介绍了Levenberg-Marquardt优化算法。小波分析具有良好的时—频局部化特征,因而非常适于对瞬态或时变信号进行分类,而人工神经网络可完成非线性系统辨识和模式分类。利用上述原理建立了基于小波的神经网络智能诊断模型,并用于滚动轴承的故障诊断。根据滚动轴承振动信号的频域变化特征,首先采用小波包分析对其建立频域能量特征向量,然后利用神经网络完成滚动轴承故障模式的识别。试验结果表明,系统不仅能够检测到轴承故障的存在,而且能够比较准确地识别轴承的故障模式。BP神经网络采用Levenberg-Marquardt优化算法,收敛速度快,具有较高的故障诊断准确率,但仍存在收敛不稳定的缺点。径向基函数网络无论是在网络结构、网络性能还是网络容错性等方面都要明显优于BP网络模型;基于小波分析和径向基函数神经网络的故障模式识别方法能够更高效、准确地进行故障模式识别,能够更好的应用于机械故障诊断中。Fuzzy ART网络模型对已学过的对象具有稳定的快速识别能力,但其故障诊断准确率低于RBF神经网络与BP神经网络。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 引言
• 1.2 非平稳信号处理方法及其发展现状
• 1.2.1 短时傅立叶变换
• 1.2.2 二次型时频分布
• 1.2.3 Hiberlt-Huang 变换
• 1.2.4 小波分析
• 1.3 基于小波分析和神经网络的故障诊断综述
• 1.3.1 小波分析和神经网络的结合途径
• 1.3.2 松散型小波神经网络研究和应用现状
• 1.4 课题的研究内容
• 第二章 小波包分析及其特征提取理论与方法
• 2.1 小波分析基本理论
• 2.1.1 小波函数及积分小波变换
• 2.1.2 小波分解
• 2.1.3 小波包分析
• 2.2 小波包能量特征提取及仿真信号分析
• 2.3 本章小结
• 第三章 神经网络建模原理与方法
• 3.1 BP 神经网络
• 3.1.1 BP 网络结构
• 3.1.2 BP 网络学习算法
• 3.1.3 Levenberg-Marquardt BP 网络算法
• 3.2 径向基函数神经网络
• 3.2.1 RBF 神经网络建模原理
• 3.2.2 RBF 神经网络训练算法
• 3.3 Fuzzy ART 网络
• 3.3.1 Fuzzy ART 的结构与工作原理
• 3.3.2 Fuzzy ART 的建模原理
• 3.4 本章小结
• 第四章 基于神经网络和小波包分析的滚动轴承故障诊断实例
• 4.1 滚动轴承的振动信号特性
• 4.2 基于小波的神经网络用于故障模式识别的原理
• 4.3 基于神经网络的滚动轴承诊断实例
• 4.3.1 滚动轴承的信号特征提取
• 4.3.2 基于 BP 神经网络的滚动轴承故障诊断
• 4.3.3 基于 RBF 神经网络的滚动轴承故障诊断
• 4.3.4 基于 Fuzzy ART 网络的滚动轴承故障诊断
• 4.4 本章小结
• 第五章 结论与展望
• 参考文献
• 致谢