基于多特征参数和概率神经网络的滚动轴承故障诊断方法

摘要/Abstract

摘要：

针对滚动轴承故障振动信号的非平稳特性，提出了一种基于多特征参数和概率神经网络的滚动轴承故障诊断方法。首先利用经验模态分解（EMD）方法将采集到的滚动轴承原始振动信号分解为有限个固有模式函数（IMF）之和，然后提取表征故障信息的若干个IMF的能量、峭度和偏度作为概率神经网络的输入参数来进行故障分类。试验结果表明，该方法可以准确、有效地识别滚动轴承的工作状态和故障类型，是一种可行的滚动轴承故障诊断方法。

关键词: 经验模态分解(EMD), 多特征参数, 概率神经网络, 故障诊断

Abstract:

According to the non-stationary characteristics of roller bearing fault vibration signals,a fault diagnosis approach based on on multiple characteristic parameters and probabilistic neural network was proposed. Firstly, original signals were decomposed into a finite number of stationary intrinsic mode functions(IMFs). Energy, kurtosis and skewness feature parameters were extracted from IMFs which contained main fault informations could be served as input parameters of neural networks to identify fault patterns of roller bearings. The experimental results show that the approach can identify working conditions and fault types of roller bearings.

Key words: empirical mode decomposition(EMD), multiple characteristic parameter, probabilistic neural network, fault diagnosis

中图分类号:

TH133
TP306

裴峻峰, 毕昆磊, 吕苗荣, 贺超, 沈科君. 基于多特征参数和概率神经网络的滚动轴承故障诊断方法[J]. 中国机械工程, 2014, 25(15): 2055-2058.

Pei Junfeng, Bi Kunlei, Lü Miaorong, He Chao, Shen Kejun. Fault Diagnosis of Roller Bearings Based on Characteristic Parameters and Probabilistic Neural Network[J]. China Mechanical Engineering, 2014, 25(15): 2055-2058.

参考文献

[1]汤宝平，蒋永华，张详春．基于形态奇异值分解和经验模态分解的滚动轴承故障特征提取方法[J]．机械工程学报，2010，46(5)；37-42．
Tang Baoping,Jiang Yonghua, Zhang Xiangchun. Feature Extraction Method of Rolling Bearing Fault Based on Singular Value Decomposition-morphology Filter and Empirical Mode Decomposition[J]．Journal of Mechanical Engineering, 2010，46(5):37-42．
[2]于德介，程军圣，杨宇．机械故障诊断的Hilbert-Huang变换方法[M].北京：科学出版社，2006．
[3]Huang N E, Shen Z, Long S R. The Empirical Mode Decomposition and the Hilbert Spectrum for Nonlinear and Non-stationary Time Series Analysis[J]．Proceedings of the Royal Society of London Series, 1998,454:903-995．
[4]Huang N E, Shen Z, Long S R. A New View of Nonlinear Water Waves: the Hilbert Spectrum[J]．Annual Review of Fluid Mechanics，1999,31：417-457．
[5]Shen Zhongjie, Chen Xuefeng, Zhang Xiaoli．A Novel Intelligent Gear Fault Diagnosis Model Based on EMD and Multi-class TSVM[J]. Measurement, 2012,45(1):30-40.
[6]裴峻峰，张嗣伟，齐明侠．共振解调和模糊识别在钻井泵轴承故障诊断中的应用[J]．石油学报，2005，26(4)：119-122.
Pei Junfeng,Zhang Siwei, Qi Mingxia.Application of Demodulated Resonance and Fuzzy Distinguishing Technique to Fault Diagnosis of Bearings in Drilling Pump[J]．Acta Petroleum Sinica，2005，26(4)：119-122.
[7]王保平，王增才，张万枝.基于EMD和神经网络的煤岩界面识别方法[J].振动、测试与诊断，2012，32(4)：586-590．
Wang Baoping, Wang Zengcai, Zhang Wanzhi.Coal Rock Interface Recognition Method based on EMD and Neural Network[J]. Journal of Vibration Measurement & Diagnosis，2012，32(4)：586-590．
[8]Specht D F. Probabilistic Neural Networks[J]． Neural Networks， 1990，13(1)：109-118．
[9]王成栋，魏瑞轩，张优云，等．模糊函数图像与概率神经网络在柴油机气阀故障诊断中的应用[J]．内燃机工程，2004, 25（5）：18-23．
Wang Chengdong, Wei Ruixuan, Zhang Youyun, et al. Application of Ambiguity Function Images and Probabilistic Neural Networks to Fault Diagnosis of Diesel Valve Train[J]．Chinese Internal Combustion Engine Engineering, 2004, 25(5): 18-23．
[10]Burrascano P. Learning Vector Quantization for the Probabilistic Neural Network[J]. IEEE Transactions on Neural Networks, 1991, 2(4): 458-461．

[1]	罗洁思, 于德介, 史美丽. 基于SVD和线调频小波路径追踪的转速波动齿轮箱故障诊断 [J]. J4, 201016, 21(16): 1947-1951.
[2]	郑近德, 王兴龙, 潘海洋, 童靳于, 刘庆运. 基于自适应自相关谱峭度图的滚动轴承故障诊断方法[J]. 中国机械工程, 2021, 32(07): 778-785，792.
[3]	陈换过, 刘培君, 俞杭, 肖雪. 基于改进PCA-SOM的电静压伺服作动器油滤堵塞故障诊断[J]. 中国机械工程, 2021, 32(07): 799-805.
[4]	丁嘉鑫;王振亚;姚立纲;蔡永武. 广义复合多尺度加权排列熵与参数优化支持向量机的滚动轴承故障诊断[J]. 中国机械工程, 2021, 32(02): 147-155.
[5]	杨路航1;李宝庆1;王平2,3;王健2,3;杨宇1. 基于概率输出弹性凸包的滚动轴承故障诊断方法[J]. 中国机械工程, 2021, 32(01): 40-46.
[6]	万书亭;彭勃;王晓龙. 基于双时域变换和稀疏编码收缩的滚动轴承早期故障诊断方法[J]. 中国机械工程, 2020, 31(23): 2829-2836.
[7]	孟宗;刘子涵;吕蒙. 基于改进奇异值分解滤波和谱峭度的滚动轴承故障诊断[J]. 中国机械工程, 2020, 31(20): 2420-2428.
[8]	王振亚;姚立纲. 广义精细复合多尺度样本熵与流形学习相结合的滚动轴承故障诊断方法[J]. 中国机械工程, 2020, 31(20): 2463-2471.
[9]	蔡艳平;范宇;陈万;张金明. 改进时频分析和特征融合在内燃机故障诊断中的应用[J]. 中国机械工程, 2020, 31(16): 1901-1911.
[10]	姜少飞;邬天骥;彭翔;李吉泉;李治;孙涛. 基于XGBoost特征提取的数据驱动故障诊断方法[J]. 中国机械工程, 2020, 31(10): 1232-1239.
[11]	陈雪峰, 郭艳婕, 许才彬, 商红兵. [学科发展]风电装备故障诊断与健康监测研究综述[J]. 中国机械工程, 2020, 31(02): 175-189.
[12]	刘洋;刘晓波;梁珊. 基于傅里叶分解方法的航空发动机转子故障诊断[J]. 中国机械工程, 2019, 30(18): 2156-2163.
[13]	李从志;郑近德;潘海洋;刘庆运. 基于精细复合多尺度散布熵与支持向量机的滚动轴承故障诊断方法[J]. 中国机械工程, 2019, 30(14): 1713-1719,1726.
[14]	刘兆伦1,2;张春兰2;武尤2;王海羽2;刘彬1,2. 一种增量式贝叶斯算法及篦冷机故障诊断[J]. 中国机械工程, 2019, 30(10): 1163-1171.
[15]	时中朝;郝伟娜;董红召. 基于朴素贝叶斯分类器的公共自行车系统故障诊断方法[J]. 中国机械工程, 2019, 30(08): 983-987.