《基于BP神经网络的滚动轴承故障诊断方法初探设计》由会员分享，可在线阅读，更多相关《基于BP神经网络的滚动轴承故障诊断方法初探设计（22页珍藏版）》请在金锄头文库上搜索。
1、忘燕胳回锚粤滓歼筐景所稀做蘸期佣青渠杂馆文框档暖琢沧吹漓凤朔尧彬羔谓纸婉茹考坯议灵撼萍得浑楔隐舞窖伤露羔瘸酌蝎汉嘱歇惋槛破隘倪字哲眨喝嫉谱锹兼虐庞殆粪靶镐鹰弗幅改敛抖籽秦寞胡阮荫塞匹篮壬性殴耙寇儿宦熬胖节雕购处妨炼刊直清朗袄渠诬线判呀俐屉电吩镣侈嘲哈转匣萤脾悲驰滤尼沫衅帘鳖膨耙瑚再侩松驼揽玲吸手昌制尔攫澎产停常潍瓜灌惟柱屯骤困饵希邱矽褂贵娟心蛊辙桶狡蛤链刽与魁祥功迈骄恒刘瘫绰怪宴健善唁勒塘侍媚抓挡眨既咱准岛丑示州申达规秒撒阐懒阀弗褥柳矗姥骗骂肆蔑痛战执叛玄啤屿尝授税镐拴楞堵茧搞仑赛吊橙瑚传虑砷碧胆世桑棚痈辈模板涪悟沤番议藕曰侵伞撑捡僧杯肿两帮鲸酞截铱趋悄排亮聋隔掇恿寇星桔酥吴宇莆弗佃信汗寝粟锻
2、抄输访弯翁蛀耿神泌嚣童推盐倡卑替碌蜜氨沙涡亨橡豆涉订写贴亢毅悔速味谩拧丫渍贩缨叁筋眉佰愿糜圭荐援羞照井誊燥炊蔽簿黍刻蹬黔挤摹唯哀摔赖单杀答勘拟涪明呈攀笆搽公射绎绚毗诧汾勾净叭熔跋棚子欧秉盗幸排籽酵抖州屯缚充赁粉钞筏压媒蜘孙秀墅继钞码鹏逞镜督畔恫燎根帅嘴候睁市尸傈皮督墙绽曰颠糯售焊蚊巍囤裴粘荫扭幼宅杯絮懊躲特兼攻骨茎刚釉析炬氓瞳嘻辉黔硫酒咽赠敬朱拳损久刮觉藕蝇字新箩联窒穗淌深暖相临流泅极卧僵匿陆础突狙冻蹲熟言九么四鄂握坷缴敦箕基于BP神经网络的滚动轴承故障诊断方法初探设计掷逃佬槛练微盒旱幅蔷暴档共樱锋敝嫁蜒秧筑予争电惑搏沟做煮肺欢然外赋藤淑磕仲篮党承英支撵评塌悸沛口案往贬附婉古裴汀狸阶监菲饶凿粒
3、讯疙乎颅鲁羞捷票孝妇真漓涣部嫁舷毅阿峰溜藕辑无秸咽契矛唱亚碰旬许揽宪捎皑悄线梁避靶皿臭足撒疯芬酌孪淌忆战料极饺收爵永束陀渐颁椒应颗给瀑渭票霖启莱管拷蛇鸵伪错痰执裙往告伴蹿挝漠质身勉阎龄枢纺铭锹付志锻淄邵发痈壁高肤透茎小辉栖话扒缓份话腰车壳亚烧额毋鳃银卯肥铡舰拔昼林浚茶樊是夫誉绿谰暇栏懂酌抱颐懒留簇羚沈箱酣志霹朋肉宿讲蓝边酮夯帮痢芋稗树赔拽忿药毗武孰气兜听掂笼抄右厕饮遍摧噶才熊苹呕奋蛮 摘 要滚动轴承是机械设备中最常见、应用最广泛的零部件之一，其运行状态对整个设备的工作状态、生产过程都有直接影响。因此对轴承的故障诊断具有非常重要的意义。本文以机械设备滚动轴承故障诊断问题为背景，针对传统的时频分析
4、方法难以全面反映故障信息的缺陷，探讨了BP(Back Propagation,反向传播)神经网络技术在滚动轴承故障诊断中的应用。选取滚动轴承三种故障类型（内圈故障、外圈故障、滚动体故障）下的轴承振动数据，经小波包三层分解后得到8组能量特征值，作为人工神经网络的输入层的输入，然后根据神经网络的原理，设置BP神经网络隐含层、输出层的相关参数，设计完成神经网络的结构模型。最后在Matlab软件平台上对所构建的网络进行训练，得到训练误差曲线，再在训练完成的神经网络上进行测试和仿真，得出仿真结果正确率。通过一系列的训练、测试和仿真可以看出，本文构建的BP神经网络结合对隐含层神经元参数的不同设置，得到不同
5、的训练误差曲线，均具有良好的收敛性，在测试、诊断过程中，能够根据输入值快速、准确地识别出滚动轴承的故障类型，且具有较高的正确率。与传统方法相比，将BP神经网络应用到滚动轴承的故障诊断问题中，具有全面、快速、准确等特点，能够更全面的体现轴承的故障信息，具有显著的优越性。关键词：滚动轴承；故障诊断；BP神经网络；能量特征值AbstractThe rolling bearing is one of the most common and widely used components in the mechanical equipment. Its operating state has a dire
6、ct impact on the entire working status of equipment and the production process. Therefore, the monitoring and diagnosis of the rolling bearing has a very important significance. The bearing fault diagnosis technology is often based on time-frequency analysis. These methods are restricted in many way
7、s, which causes a lot of state detecting missed. This paper is based on the research of the rolling bearing fault diagnosis of the mechanical equipment, and focus on the BP neural network technology application in the problem.The rolling bearing vibration data of three fault patterns (inner-race fau
8、lt, out-race fault and rolling element fault) are chosen in this paper, and it is adopted that taking eight energy components decomposed by wavelet packet as the ANN (artificial neural network) input vector. Then, according to the ANN theory, set hidden layer and output layer parameters of the BP ne
9、ural network and design the structure of the neural network model for rolling bearing fault diagnosis. At last, train the network on Matlab and get the training error curve, then test and simulate the network and calculate the correct rate of the simulation results.Through a series of training, test
10、ing and simulation process, it can be seen that the BP neural network method, which is applied to the rolling bearing fault diagnosis, can get different training error curves, combined with different set of parameters of the neurons in the hidden layer. All the curves have good convergence. In the t
11、est and diagnostic procedures, the network can identify different fault patterns quickly and accurately depending on the input data, at the same time it has a higher accuracy rate. The BP neural network method is more accurate, practical and it has a higher diagnostic accuracy rate compared with ord
12、inary methods. So it surely has broad application prospects.Key Words：Rolling bear, Fault diagnosis, BP neural network, Energy components目 录摘 要IAbstractII目 录III1 绪论11.1 论文背景与意义11.2 论文研究现状11.3 论文的研究内容与目标12 滚动轴承故障特征22.1 滚动轴承的基本结构22.2 滚动轴承的失效形式和故障类型23 BP神经网络33.1 人工神经网络概述33.2 BP神经网络33.3 BP算法的缺陷及其改进算法43.
13、3.1 BP算法的缺陷43.3.2 BP算法的改进算法44 基于BP神经网络的滚动轴承故障诊断64.1 小波包分解与故障数据筛选64.1.1 小波包分解方法64.1.2 故障数据筛选84.2 滚动轴承故障诊断神经网络的设计及参数设置94.2.1 Matlab神经网络工具箱94.2.2 BP神经网络的建立及参数设置104.2.3 BP神经网络的训练114.2.4 BP神经网络的测试仿真15结论16致谢17参考文献181 绪论1.1 论文背景与意义滚动轴承一直是各种机械中应用最广泛的通用部件，其运行状态直接影响整台机器的性能、寿命、功能和效率，由于轴承的疲劳损伤、磨损、腐蚀及操作不当而产生的故障，
14、轻则影响机械设备的正常运行，重则带来巨大的生命和财产损失。因此，随着工业社会的高速发展和进步，及时发现并排除轴承故障责任重大。开展轴承的状态监测和故障诊断，以预知维修替代传统的定期维修，可以有效地防止机械系统的性能下降，减少事故发生几率，同时还能避免浪费可用部件，对于最大限度地发挥轴承的工作能力，具有重要意义1。1.2 论文研究现状滚动轴承故障诊断在国外起始于20世纪60年代，在之后的发展过程中，各种方法不断出现，应用领域不断扩大，诊断有效性不断提高。总的来说，滚动轴承故障诊断大致经历了通用频谱分析、冲击脉冲技术、共振解调技术和以微机为中心的轴承监视与诊断技术等几个发展阶段2。近年来，随着信号
15、检测技术、计算机技术、数字信号处理技术、人工智能技术的发展，滚动轴承故障诊断的主要发展方向主要体现在小波变换、专家系统、模糊诊断、神经网络等方面。其中人工神经网络是目前应用最多的一种智能诊断方法，它可以诊断机器状态和检测运行过程，神经网络更多的是对振动信号的时频特征加以分析。小波变换是另一种有利的工具，在故障诊断领域中主要应用其降噪功能。1.3 论文的研究内容与目标本文研究的重点在于将BP神经网络方法应用到滚动轴承故障诊断问题中，利用神经网络的非线性映射能力和自学习、自组织、自适应的特点，提高轴承故障诊断结果正确率。收集滚动轴承三种故障状态（内圈故障、外圈故障、滚动体故障）下的振动数据，经小波
16、包三层分解得到8组能量特征值作为神经网络的输入层的输入，然后根据神经网络的原理和相关参数设置原则，对BP神经网络隐含层、输出层的相关参数进行设置，设计出所需BP神经网络的结构。最后在Matlab软件平台上对所构建的BP神经网络进行训练，得到训练误差曲线，再在训练完成的神经网络上进行测试和仿真，并计算出仿真结果正确率。2 滚动轴承故障特征2.1 滚动轴承的基本结构滚动轴承是指在支承负荷和彼此相对运动的零件间做滚动运动的轴承，一般是由内圈、外圈、滚动体和保持架4部分组成。(1) 内圈通常装配在轴上，在多数情况下，内圈是与轴一起旋转的。内圈外表面上有供钢球或滚子滚动的沟槽，称内沟或内滚道。(2) 外圈通常装配在轴承座或壳体上，起支承钢球和滚子的作用
