毕业答辩-基于HHT与模糊神经网络的滚动轴承故障诊断研究.ppt

基于HHT和模糊神经网络的滚动轴承故障诊断研究 专业：交通信息工程及控制 序号： 目录 一、 概述 二、 论文的主要内容 三、 结论和展望 概述 滚动轴承是大型旋转机械设备中的关键部件，其故 障发生率比较高，轴承故障会产生强烈的噪声，对操作 人员也十分有害。 对滚动轴承进行故障诊断可以避免经济的损失，及时解决设备的安全隐患，在机械故障诊断领域具有重要的意义。 以瑞典SKF公司的6205-2RS JEM深沟球轴承为研究对象 课题研究背景及意义 论文的主要内容 滚动轴承故障诊断 直接利用小波包降噪 采用EMD分解，利用小波包降噪 信噪比 导入ANFIS进行训练和测试 导入BP神经网络进行训练和测试 收敛速度 误差精度 EMD分解模态混叠 采用EMD的改进算法EEMD，根据白噪声的概率分布特点，再结合分布拟合检验选取有用IMF 重构IMF分量，利用包络谱进行诊断 复杂故障信号分析 论文技术路线 论文的主要内容 滚动轴承实验平台 本文所采用的数据来自于美国凯斯西储大学轴承实验中心，上图为轴承实验平台，左边是电动机，中间是扭矩换能器，右边是测力计。 论文的主要内容 EMD-小波包去噪 对滚动轴承内圈故障信号进行EMD分解，得到IMF分量及每一层分量对应的频谱图 论文的主要内容 将去噪的IMF1分量和其余IMF分量重构得到降噪结果 对IMF1分量进行小波包去噪 论文的主要内容 各种故障类型的信噪比 信噪比 无故障 内圈故障 外圈故障 滚动体故障 原始信号 20.0076 3.1670 6.0646 2.2035 小波包去噪 28.8247 11.7065 12.8647 24.1126 EMD-小波包去噪 28.8244 16.8261 13.0874 26.4911 论文的主要内容 自适应神经模糊推理系统 滚动轴承故障信号 经EMD-小波包进行去噪预处理 利用小波包进行特征向量的构造 分为训练组和测试组 将其导入ANFIS和BP神经网络进行训练和测试 论文的主要内容 ANFIS的训练误差曲线，训练至5步基本收敛，误差精度为6.9347×10-5 BP神经网络的训练误差曲线，训练1000步才能将误差收敛到2.1811×10-5。虽然比ANFIS的训练误差低一些，但是这是在耗时长，训练步数多的基础上实现的。 论文的主要内容 采用ANFIS故障诊断法测试结果，在300个测试样本中有299组正确，诊断正确率为99.67%，BP神经网络的正确率仅为90.67%。 论文的主要内容 内圈 滚动体 外圈 论文的主要内容 EEMD-分布拟合检验去噪法 EEMD结合分布拟合检验对轴承故障信号进行去噪，提取有用的IMF分量，去除无意义IMF分量，达到降噪的目的 论文的主要内容 EEMD-分布拟合检验算法流程图 论文的主要内容 内圈故障信号经过EEMD的分解结果及正态概率图 服从正态分布，作为无用IMF分量 论文的主要内容 为了提高检验的可信度，本文又采取了一种检验方式：Jarque-Bera test。 ci c1 c2 c3 c4 c5 c6 c7 H 1 1 1 0 0 0 1 测试结果H=1说明拒绝为正态分布，作为有用IMF分量保留；H=0说明接受为正态分布，作为无用IMF分量去除。 论文的主要内容 重构后的内圈故障信号及其对应的包络谱 利用包络谱对轴承进行故障诊断 根据理论计算轴承的转频 Hz，内圈故障频率 Hz， 论文的主要内容 外圈故障信号经过EEMD的分解结果及正态概率图 服从正态分布，作为无用IMF分量 论文的主要内容 为了提高检验的可信度，本文又采取了一种检验方式：Jarque-Bera test。 ci c1 c2 c3 c4 c5 c6 c7 H 1 0 0 1 0 1 1 测试结果H=1说明拒绝为正态分布，作为有用IMF分量保留；H=0说明接受为正态分布，作为无用IMF分量去除。 论文的主要内容 重构后的外圈故障信号及其对应的包络谱 利用包络谱对轴承进行故障诊断 根据理论计算轴承的转频 Hz，外圈故障频率 Hz，保持架的故障特征频率 Hz 结论和展望 (1) 利用EMD结合小波包对滚动轴承进行降噪， 结合了两种方法的优点，可以有效地提高信号 的信噪比。 (2) ANFIS与BP神经网络相比，训练时的收敛速度 更快，最终得到的诊断正确率更高。 (3) 利用EEMD结合分布拟合检验可以很好地选择 出有用IMF分量，提高了后期的诊断精度。 (4) 降噪后的信号利用包络谱可以很明显地识