基于数据驱动的电机轴承故障诊断方法研究

作     者：李烨 

作者单位：沈阳理工大学 

学位级别：硕士

导师姓名：杨青

授予年度：2017年

学科分类：080801[工学-电机与电器] 0808[工学-电气工程] 08[工学] 

主      题：实验数据 集合经验模态分解 改进的局部均值分解 改进的万有引力搜索算法 增量概率神经网络 

摘      要：随着现代工业规模的不断扩大和系统复杂度的日益提高,电机轴承被越来越多的应用在工业生产中,因此,对电机轴承进行有效精确的故障诊断便成为了一项十分有意义的科研课题。本文在基于数据驱动的基础上,提出基于集合经验模态分解(EEMD)-改进的局部均值分解(ILMD)-改进万有引力搜索算法(IGSA)-增量概率神经网络(IPNN)的电机轴承故障诊断集合方法,以此提高电机轴承故障诊断的精确性。本文全部的试验数据都来自美国凯斯西储大学轴承实验中心。而在工业生产中,由于电机轴承的工作环境往往十分嘈杂,再加上受到其他设备本身振动的干扰,使得其振动信号含有噪声,因此,要对采集的数据进行预处理,减低噪声。传统的降噪方法不能很好的对非平稳、非线性的数据进行降噪,本文采用对于非平稳非线性信号有很强分解能力的EEMD算法,通过计算相关系数并设定阈值,对数据进行降噪预处理。故障提取方面,针对LMD存在的端点效应问题,提出改进LMD方法对数据进行分解以改善端点效应影响,并计算乘积函数分量的样本熵和能量作为特征参数,组成故障特征向量,作为故障诊断神经网络的输入。故障诊断方法采用基于统计原理的前馈型神经网络IPNN,IPNN不需要设置初始权值,训练简洁,分类能力强。由于故障诊断中,网络模型的参数会对诊断性能有着重大影响,故本文采用基于时变权重和边界变异的改进GSA优化算法对网络模型的阈值进行优化,以改善标准GSA算法收敛速度较慢且容易陷入到局部最优状态等缺点,提高分类结果的精确性。通过理论研究和实验结果可以表明,本文提出的基于数据驱动的EEMD-ILMD-IGSA-IPNN电机轴承故障诊断集合方法诊断性能良好,能够有效的对电机轴承故障进行诊断且准确率较高。