畢業(yè)答辯基于HHT和模糊神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷研究課件

1、基于HHT和模糊神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷研究專業(yè)：交通信息工程及控制序號(hào)：目錄一、 概述二、 論文的主要內(nèi)容三、 結(jié)論和展望概述 滾動(dòng)軸承是大型旋轉(zhuǎn)機(jī)械設(shè)備中的關(guān)鍵部件，其故障發(fā)生率比較高，軸承故障會(huì)產(chǎn)生強(qiáng)烈的噪聲，對(duì)操作人員也十分有害。 對(duì)滾動(dòng)軸承進(jìn)行故障診斷可以避免經(jīng)濟(jì)的損失，及時(shí)解決設(shè)備的安全隱患，在機(jī)械故障診斷領(lǐng)域具有重要的意義。以瑞典SKF公司的6205-2RS JEM深溝球軸承為研究對(duì)象課題研究背景及意義論文的主要內(nèi)容滾動(dòng)軸承故障診斷直接利用小波包降噪采用EMD分解，利用小波包降噪信噪比導(dǎo)入ANFIS進(jìn)行訓(xùn)練和測(cè)試導(dǎo)入BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試收斂速度誤差精度EMD分解模態(tài)混疊采

2、用EMD的改進(jìn)算法EEMD，根據(jù)白噪聲的概率分布特點(diǎn)，再結(jié)合分布擬合檢驗(yàn)選取有用IMF重構(gòu)IMF分量，利用包絡(luò)譜進(jìn)行診斷復(fù)雜故障信號(hào)分析論文技術(shù)路線論文的主要內(nèi)容滾動(dòng)軸承實(shí)驗(yàn)平臺(tái) 本文所采用的數(shù)據(jù)來(lái)自于美國(guó)凱斯西儲(chǔ)大學(xué)軸承實(shí)驗(yàn)中心，上圖為軸承實(shí)驗(yàn)平臺(tái)，左邊是電動(dòng)機(jī)，中間是扭矩?fù)Q能器，右邊是測(cè)力計(jì)。論文的主要內(nèi)容EMD-小波包去噪 對(duì)滾動(dòng)軸承內(nèi)圈故障信號(hào)進(jìn)行EMD分解，得到IMF分量及每一層分量對(duì)應(yīng)的頻譜圖論文的主要內(nèi)容將去噪的IMF1分量和其余IMF分量重構(gòu)得到降噪結(jié)果對(duì)IMF1分量進(jìn)行小波包去噪論文的主要內(nèi)容各種故障類型的信噪比信噪比無(wú)故障內(nèi)圈故障外圈故障滾動(dòng)體故障原始信號(hào)20.00763.

3、16706.06462.2035小波包去噪28.824711.706512.864724.1126EMD-小波包去噪28.824416.826113.087426.4911論文的主要內(nèi)容自適應(yīng)神經(jīng)模糊推理系統(tǒng)滾動(dòng)軸承故障信號(hào)經(jīng)EMD-小波包進(jìn)行去噪預(yù)處理利用小波包進(jìn)行特征向量的構(gòu)造分為訓(xùn)練組和測(cè)試組將其導(dǎo)入ANFIS和BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測(cè)試論文的主要內(nèi)容ANFIS的訓(xùn)練誤差曲線，訓(xùn)練至5步基本收斂，誤差精度為6.934710-5BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練誤差曲線，訓(xùn)練1000步才能將誤差收斂到2.181110-5。雖然比ANFIS的訓(xùn)練誤差低一些，但是這是在耗時(shí)長(zhǎng)，訓(xùn)練步數(shù)多的基礎(chǔ)上實(shí)現(xiàn)的。論文的

4、主要內(nèi)容采用ANFIS故障診斷法測(cè)試結(jié)果，在300個(gè)測(cè)試樣本中有299組正確，診斷正確率為99.67%，BP神經(jīng)網(wǎng)絡(luò)的正確率僅為90.67%。論文的主要內(nèi)容內(nèi)圈滾動(dòng)體外圈論文的主要內(nèi)容EEMD-分布擬合檢驗(yàn)去噪法對(duì)于復(fù)雜故障信號(hào)的分解，采用EMD會(huì)出現(xiàn)模態(tài)混疊問(wèn)題，得不到理想結(jié)果采用EMD的改進(jìn)算法EEMD來(lái)獲取有物理意義的IMF分量Wu等提出白噪聲經(jīng)EMD分解之后得到IMF的概率密度函數(shù)近似服從正態(tài)分布EEMD結(jié)合分布擬合檢驗(yàn)對(duì)軸承故障信號(hào)進(jìn)行去噪，提取有用的IMF分量，去除無(wú)意義IMF分量，達(dá)到降噪的目的論文的主要內(nèi)容 EEMD-分布擬合檢驗(yàn)算法流程圖論文的主要內(nèi)容內(nèi)圈故障信號(hào)經(jīng)過(guò)EEMD

5、的分解結(jié)果及正態(tài)概率圖服從正態(tài)分布，作為無(wú)用IMF分量論文的主要內(nèi)容 為了提高檢驗(yàn)的可信度，本文又采取了一種檢驗(yàn)方式：Jarque-Bera test。cic1c2c3c4c5c6c7H1110001 測(cè)試結(jié)果H=1說(shuō)明拒絕為正態(tài)分布，作為有用IMF分量保留；H=0說(shuō)明接受為正態(tài)分布，作為無(wú)用IMF分量去除。論文的主要內(nèi)容重構(gòu)后的內(nèi)圈故障信號(hào)及其對(duì)應(yīng)的包絡(luò)譜利用包絡(luò)譜對(duì)軸承進(jìn)行故障診斷根據(jù)理論計(jì)算軸承的轉(zhuǎn)頻 Hz，內(nèi)圈故障頻率 Hz，論文的主要內(nèi)容外圈故障信號(hào)經(jīng)過(guò)EEMD的分解結(jié)果及正態(tài)概率圖服從正態(tài)分布，作為無(wú)用IMF分量論文的主要內(nèi)容 為了提高檢驗(yàn)的可信度，本文又采取了一種檢驗(yàn)方式：Jar

6、que-Bera test。cic1c2c3c4c5c6c7H1001011 測(cè)試結(jié)果H=1說(shuō)明拒絕為正態(tài)分布，作為有用IMF分量保留；H=0說(shuō)明接受為正態(tài)分布，作為無(wú)用IMF分量去除。論文的主要內(nèi)容重構(gòu)后的外圈故障信號(hào)及其對(duì)應(yīng)的包絡(luò)譜利用包絡(luò)譜對(duì)軸承進(jìn)行故障診斷根據(jù)理論計(jì)算軸承的轉(zhuǎn)頻 Hz，外圈故障頻率 Hz，保持架的故障特征頻率 Hz結(jié)論和展望(1) 利用EMD結(jié)合小波包對(duì)滾動(dòng)軸承進(jìn)行降噪， 結(jié)合了兩種方法的優(yōu)點(diǎn)，可以有效地提高信號(hào) 的信噪比。(2) ANFIS與BP神經(jīng)網(wǎng)絡(luò)相比，訓(xùn)練時(shí)的收斂速度 更快，最終得到的診斷正確率更高。(3) 利用EEMD結(jié)合分布擬合檢驗(yàn)可以很好地選擇 出有用IMF分量，提高了后期的診斷精度。(4) 降噪后的信號(hào)利用包絡(luò)譜可以很明顯地識(shí)別出 滾動(dòng)軸承的各種故障特征頻率，提高了診斷結(jié) 果的正確性。結(jié)論結(jié)論和展望展望研究中主要考慮滾動(dòng)軸承的單一故障，進(jìn)一步研究可以從復(fù)合多故障入手，利用