浅谈基于神经网络的滚动轴承故障诊断研究

《浅谈基于神经网络的滚动轴承故障诊断研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、工学硕士学位论文基于神经网络的滚动轴承故障诊断研究吴歌哈尔滨工业大学2008年6月国内图书分类号：TP18国际图书分类号：621工学硕士学位论文基于神经网络的滚动轴承故障诊断研究硕士研究生：吴歌导师：马家辰教授申请学位：工学硕士学科、专业：检测技术与自动化装置所在单位：信息科学与工程学院答辩日期：2008年6月授予学位单位：哈尔滨工业大学TClassifiedIndex：TP18U.D.C：621DissertationfortheMasterDegreeinEngineeringNeuralNetworksBasedFaultDiagnosisofRollingBearin

2、gCandidate:WuGeSupervisor:Prof.MaJiachenAcademicDegreeAppliedfor:MasterofEngineeringSpecialty:ControlScienceandEngineeringAffiliation:SchoolofInformationScienceandEngineeringDateofDefence:June,2008Degree-Conferring-Institution:HarbinInstituteofTechnology哈尔滨工业大学工学硕士学位论文摘要故障诊断对于人类工业生产等领域避免重大灾

3、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

4、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。关键词神经网络；故障诊断；小波；-I-哈尔滨工业大学工学硕士学位论文AbstractFaultdiagnosisforcomplexm

5、echanismcanmakemechanical-electricalequipmentsworkefficientlyandstabilityandavoidgreataccident.Todifferentiatedifferentfaultsoccurredinrollingbearingofrotarymechanism,Pre-processedvibrationsignalbywaveletanalysis,thenfaultdiagnosisthroughneuralnetworks(NNs)bedone.Theresearchandthemainachiev

6、ementsareasfollows:Firstly,severalnon-stationarysignalprocessingtechniquesusedforfaultdiagnosisisdiscussed,andstudythemulti-resolutiontheoryofwaveletanalysis,Analyzehowtochoosebestwaveletpackagebasisandfindeachnodeofbestbasis.Pre-processedvibrationsignalsbasedonwaveletpackageandgetfeatureve

7、ctors.Secondly,studythealgorithmsofback-propagation(BP)NNs,radicalbasisfunction(RBF)NNs,ElmanNNsandfuzzyadaptiveresonance(FuzzyART)NNs.Thendesignvarioustypesofneuralnetworkstoforcastearlyperiodfaultsandrecognizeseriousfaultsofrollingbearing,moreover,cont