提升小波包和神经网络在轴承故障诊断中的应用_图文_百度文库

1、第卷第期年月沈阳理工大学学报文章编号：（）一提升小波包和神经网络在轴承故障诊断中的应用王殿明，杨青，礼长智（沈阳理工大学信息科学与工程学院，辽宁沈阳）摘要：针对轴承故障信号的特点，采用提升小波包和概率神经网络（）相结合的算法对轴承故障进行诊断。首先对原始数据进行小波变换，并对其进行特征提取。然后利用概率神经网络对得到的特征向量进行类别判定。在和设计的故障诊断仿真实验平台上，验证了提升小波包和概率神经网络混合的故障诊断方法满足实验要求关键词：故障诊断；提升小包波分析；概率神经网络；轴承；中图分类号：文献标识码：，（，）：，（），：；滚动轴承是旋转机械中最常见的零部件之一，它的运行状态往往直接影响

2、到整体设备的性能。当滚动轴承出现局部损伤类故障后，振动信号中包含以故障特征频率为周期的周期性冲击成分。其特点是在平稳振动的基础上，每隔一定时间就出现一个冲击成分。从信号分析的角度，小波变换在时域和频域都具有较好的局部化特收稿日期：一作者简介：王殿明（一），男硕士研究生；通讯作者：杨青（一），男，副教授，研究方向：复杂系统故障诊断性，是对非平稳信号进行时频分析的理想工具。文献将提升小波包变换引入旋转机械故障诊断，并成功地应用于滚动轴承试验台故障诊断。文献采用小波对原始数据进行去噪，并且对不同小波去噪后的结果进行了对比。文献利用对水轮机故障数据进行了诊断，并成功进行了分类。然而，只采用小波对故障数

3、据进行处理，诊断结果不明显。如果单独采用进行故障诊断，大量文献已经表明故障诊断的准确率较低，因此本文采用提升小波包和相结合的混合第期王殿明等：提升小波包和神经网络在轴承故障诊断中的应用算法，并且利用和软件作为故障诊断实验平台，仿真结果表明该算法具有诊断结果准确、操作简单、算法实现容易等特点。提升小波与混合型故障诊断方法提升小波分析基本理论提升小波又称为第二代小波变换，是于年提出的。提升小波不像第一代小波依赖变换。但已经证明提升小波继承了经典小波多分辨率特性，变换在时域进行，可以实现原地运算，占用空间小，易于逆变换”。提升小波的分解过程由部分组成：分解（）、预测（）和更新（）。（）分解将原始信号

4、石（，）（，）分为个不相交的子集。而通常采用的方法是懒小波方法，即将原始信号分解为奇偶两个数列（）菇（）和茗。（凡）菇（），贝菇。（几），戈。（）（凡）（）（）预测保持偶数样本以（）不变，利用差值细分预测奇数信号戈。（，），将预测值戈。（儿）与实际值算。（）存在的差异定义为细节信号（），即（，）戈。（，）（戈。（）（）细节信号（厅）反应了原始信号石（儿）的高频部分。（）更新为使原始信号的某些全局特性（如：平均值，消失矩）不变，必须进行更新。首先要构造一个更新算子去更新上一步产生的数据。（厅）茗。（），（凡）（）然后再对数列（，）重复（）一（）步骤的运算，就可以得到原始信号石（几）的一个多级分解

5、。双正交小波基，具有线性相位，消失矩较大，能量集中性好等特性。数据经过小波分解后的低频部分分辨率高，高频部分细节突出。提升小波包变换也分为分裂、预测和更新三个步骤，具体变换如图所示。图小波提升方案概率神经网络概率神经网络（）是径向基神经网络的一种，与基本径向基神经网络的不同在于它的第二层采用竞争函数作为输出传递函数。概率神经网络通常用于模式分类问题。概率神经网络主要包括三层（见图）：输入层、径向基层和竞争层。图中：为输入向量的元素数目；为径向基层神经元的数目，即目标样本的数目；符号计算输入向量与权值矩阵¨的欧几里得距离，产生的输出向量包含个元素；径向基层的输出（刑），（）一般为高斯径

6、向基神经元函数，运算符“木”表示向量与的输出向量对应元素相乘；竞争层中的权值矩阵每一行向量只有一个元素为，对应着一个输入，其余元素为，然后计算其与矩阵的乘积，竞争层的输出（酽。）。输入层径向基层竞争层厂厂一厂、置口口嚣图概率神经网络结构图与混合型轴承故障诊断设计调用的实现把所有以为基础的技术统称为技术。本文是将作为语言的一个插件实现的调用。调用部分语句如下：沈阳理工大学学报第卷（”）（”）主要作用是实现不同程序的调用和诊断结果的展示。每个程序的调用是通过按钮控件完成的，利用控件实现诊断结果的显示，并在文本框中将诊断的准确率显示出来。故障诊断流程轴承故障诊断流程：（）选取标准故障样本。（）对样本

7、数据进行小波正变换，对得到的小波系数计算其均值和方差等标量值作为特征向量。（）将特征向量作为的输入，进行分类。（）通过实验对比得到合适的小波函数。轴承故障诊断实例验证为了验证该方法在早期故障诊断中的有效性与实用性，对滚动轴承的几种常见故障进行了实验分析。采用的轴承故障实验数据一。在实验装置中，的电机通过自校准联轴节与一个功率计和一个扭矩传感器相连，最后驱动风机进行运转。电机的负载由风机调节。将振动加速度传感器垂直固定在感应电机输出轴支撑轴承上方的机壳上进行数据采集。模拟三类故障：内圈故障；滚动体故障；外圈故障和正常情况，一共为四种类型。故障点直径为。在测试中，电机转速为，采样频率为。特征参数法

8、是常用的特征提取方法，常用的特征有：均值、标准差、偏斜度和峭度等。试验选用个统计参数作为特征：即均值、标准差、偏斜度、峭度、峰峰值和有效值。原始数据的每个样本为个数据，根据经验对其进行层小波包分解，得到个频带的小波包系数，对于每个样本，共有个特征分量。然后再利用对得到的特征参数进行分类，从而判定故障类型。在实验中，每种状态各取个数据样本，其中个用作训练，个用作测试。图为仿真后的结果。纵坐标代表正常状态（无故障）、内圈故障、滚动体故障和外圈故障。横坐标每五个数据为一组，共有四组，分别为小波和神经网络处理后的正常数据、内圈故障数据、滚动故障体数据和外圈故障数据。分囊结果一一羊嘲一瞳脯哪嘲分囊准确搴

9、固一（）小波基函数为的普通小波包分类结墨一，一一一量嘲嘲分茄准一事障一（）小渡基函数为的普通小波包分费结鬃一蕾喇哪啊分关准搴丽一（）小波基函数为的普通小波包分囊结纂一一啊啊啊分袋准确奉丽一（）采用提升小波包图故障诊断仿真结果在图和图中，小波基函数选择和函数，再利用进行分类，故障诊断准确率为。在图中，采用小波包对原始数据进行处理，故障诊断准确率为，可见小第期王殿明等：提升小波包和神经网络在轴承故障诊断中的应用波包对原始数据处理后的分类准确率有些提高。图中采用整数提升小波包对原始数据进行数据处理。从图可知，准确率达到。由小波的算法可知，小波函数的选择直接影响分类的准确性。因此选择不同的小波函数对原

10、始数据进行处理后再利用分类，准确率会不同，这主要取决于小波基函数与原始信号的相似性。结论本文利用和建立了仿真实验平台，可以方便地实现不同程序的仿真结果在同一界面的演示。在仿真实验平台的基础上，使用不同的小波函数和混合算法对轴承振动数据进行了诊断。实验结果表明，提升小波能够有效地对原始数据进行处理，诊断准确率高，满足实验要求。参考文献：】何佳，戚佳杰，黎明和小波分析在滚动轴承故障诊断中的应用研究浙江大学学报，（）：胡桥，何正嘉，张周锁等基于提升小波包变换和集成支持矢量机的早期故障智能诊断】机械工程学报，（）：刘树春，潘紫微第二代小波在振动信号去噪中新方法的研究机械传动，（）：熊建秋，李祚泳汪嘉杨，等基于的水轮发电机组振动故障诊断】水利发电，（）：，（）：，（）：甄莉。彭真明提升格式呻小波在图像融合中的应用计算机应用。，：杨崇艳，刘伟宁，王艳华基于提升小渡的海面弱目标检测算法】微电子学与计算机，（）：【：（责任编辑：马金发） 提升小波包和神经网络在轴承故障诊