[发明专利]一种基于改进小波神经网络的滚动轴承的故障检测方法

说明书

技术领域：

本发明属于滚动轴承的故障诊断方法，特别涉及一种基于改进小波神经网络的滚动轴承的故障检测方法。

背景技术：

滚动轴承起支承传动轴及轴上零件的作用，并保持轴的正常工作位置和旋转精度，其特点是有较好的机械效率，在机械设备运转过程中能保持较低的功率消耗，且起动性能好、有很好的精度和转速，能满足多种机械设备的运转要求、使用寿命较长、结构紧凑、体积小、重量轻，安装拆卸方便、易于维修和保养。滚动轴承是在航空旋转机械中应用最为广泛的机械零件之一，在机械设备中起着承受及传递载荷的作用，其运行状态对整台机器的工作状态有很大影响。如果滚动轴承发生故障会造成严重的破坏事故。因而研究滚动轴承的故障检测和诊断技术，对于避免重大事故、减少人力物力损失等具有重要的理论研究价值和实际应用意义。

在滚动轴承的故障诊断领域，目前普遍采用基于Fourier变换的谱分析技术和时频统计量分析方法对整个轴承系统的振动情况进行分析。Fourier变换的实质是把波形分解成许多不同频率的正弦波的叠加，对于确知信号和平稳随机过程，Fourier变换在信号分析和信号处理中有着广泛的应用，但是Fourier分析使用的是一种全局的变换，要么完全在频域，要么完全在时域，因此无法同时表述信号的时频域性质，而这种性质恰恰是非平稳信号根本和关键的性质。

为了克服以上分析方法的不足，提出了一种基于改进小波神经网络的滚动轴承的故障检测方法，小波包具有可以将信号按任意时频分辨分解的特点，将不同频段的信号分解到相应的频段中，然后可根据需要将所需频段内的信号重构，重构的信号与原来的信号长度一样，起到了一种滤波的作用，非常适合于处理非平稳信号。

神经网络能够改进常规故障诊断方法的缺陷，对多维空间模式及非线性模式的识别等问题具有较强的分类能力，特别适用于多故障、多征兆这类复杂模式的识别。如果将基于小波变换的特征提取与神经网络模式识别有机地结合起来，必将提高滚动轴承故障诊断的准确性。

发明内容

本发明的目的是为了克服现有小波神经网络在故障诊断、识别中存在的问题，根据滚动轴承振动信号的频域变化特征，提出了一种基于改进小波神经网络的滚动轴承的故障检测方法。

本发明是一种基于改进小波神经网络的滚动轴承的故障检测方法，利用小波包分解后各频段能量的分布作为特征向量输入神经网络，利用改进的小波神经网络完成滚动轴承故障模式的识别，包括以下步骤：

步骤一：小波函数的选取，首先利用Morlet小波对滚动轴承振动信号x(t)进行3层小波包分解，分别提取第3层从低频到高频6个频率成分的信号特征，振动信号经小波包分解可得到其在各频带内成分的特征，即各低频和高频系数。

步骤二：重构小波包分解系数，求取个频带的信号能量，即将各个小波包分解系数做选择性重构，提取各频带范围的信号，提取和故障相关的几个频带进行重构，剔除主振动分量和干扰项。

步骤三：构造特征向量，按尺度顺序，以各层高频小波分解系数的模为元素得到一组与信号对应的序列，利用各频带的能量元素构造一个特征向量F，即能量特征向量，作为小波函数神经网络的输入元素，信号的特征向量提取之后，将它保存起来。

步骤四：利用小波神经网络技术实现滚动轴承故障的分类及识别，经小波包分解仅获得了与故障相关的特征，还需进行故障分类及识别，本方法利用IWNN进行故障分类及识别，IWNN网络输入层神经网络数量与能量特征向量相同，利用大量的实验数据对网络进行训练，使各项指标达到预先设定的要求，并保存训练后的结果。用于训练网络的正常轴承20个，外环故障轴承15个，内环故障轴承15个，滚动体故障的15个，其余作为被识别的试验轴承。

本发明的优点与积极效果在于：

(1)小波分析在时域和频域同时具有良好的局部化性质，利用小波包频域分解信号构造的能量特征向量准确地反应了轴承振动信号频域能量随状态信息的变化而变化的情况。

(2)由改进算法训练的小波神经网络不会陷入在常规BP网络那样的局部极小值。

(3)用改进的小波神经网络进行航空滚动轴承的故障诊断具有泛化性强、收敛较快、诊断较准确等优点，能够较好地满足了航空工程中的需要。

附图说明

图1为本发明滚动轴承故障检测方法的故障识别原理和设备。

图2小波包分解示意图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。