CN105069291A - 一种基于emd和bp神经网络的电机轴承故障辨识方法 - Google Patents
一种基于emd和bp神经网络的电机轴承故障辨识方法 Download PDFInfo
- Publication number
- CN105069291A CN105069291A CN201510476672.4A CN201510476672A CN105069291A CN 105069291 A CN105069291 A CN 105069291A CN 201510476672 A CN201510476672 A CN 201510476672A CN 105069291 A CN105069291 A CN 105069291A
- Authority
- CN
- China
- Prior art keywords
- emd
- bearing
- imf
- neural network
- vibration signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
本发明公开一种基于EMD和BP神经网络的电机轴承故障辨识方法,采用的技术方案如下:首先获取轴承振动信号,并设轴承振动信号为,表示时刻所采集的振动信号,所述的电机轴承故障辨识方法分3部分,一、首先对信号进行EMD变换;二、特征提取;三、辨识。本发明的本专利基于EMD和BP神经网络的电机轴承故障辨识方法,以振动信号为研究对象,将多元统计分析中的判别分析与经验模态分解(EMD)分析相结合,提出轴承故障诊断一种方法,通过该方法对数据处理、特征提取和辨识能有效自动区分轴承故障类型。
Description
技术领域
本发明属于轴承故障诊断领域,具体涉及一种基于EMD和BP神经网络的电机轴承故障辨识方法。
背景技术
目前电机获得了广泛的使用,并且已经成为机械装备或旋转系统不可或缺的部件之一。有关文献显示:电机的故障形式有定子、转子和轴承等形式,而其中轴承的故障占大约50%。因此研究轴承的故障诊断具有重要的现实意义。
轴承的故障诊断一般分为三个步骤:信号采集、故障提取(信号处理)和故障诊断。其中故障提取是关键步骤。如何有效的提取故障信号一直是轴承故障研究领域的热门。信号处理与频谱分析的目的是要描述信号的频谱含量在时间上变化,以便能在时间和频谱上同时表示信号的能量或者强度。传统的傅立叶变化并没有告诉我们那些频率在什么时候出现,因此该方法无法表现出信号的时变性。
发明内容
本发明要解决的技术问题是提供一种基于EMD和BP神经网络的电机轴承故障辨识方法。
为解决上述问题,本发明采用的技术方案如下:首先获取轴承振动信号,并设轴承振动信号为,表示时刻所采集的振动信号,其特征在于:所述的电机轴承故障辨识方法分3部分:
一、首先对信号进行EMD变换,步骤如下:
1)设源信号为,求极大值点,并用三次样条插值函数拟合,为上包络线;
2)对源信号,求极小值点,也用三次样条拟合,为下包络线,并由上下包络线求取均值包络线;
3)求,若满足成为IMF的两个条件,则便为分解出来的第一个IMF,否则重复步骤1)、2);
4)默认当的值小于0.1便认为是IMF,公式(1):
(1)
式中为求第一个IMF筛选计算过程中第次均值包络,经过筛选,源信号分解为:
(2)
5)当IMF分量或余量小于预先设定值,或者余量已经成为单调函数,则整个筛选过程结束;
二、特征提取:
计算步骤如下:
Ⅰ)对轴承振动信号进行EMD处理,产生一系列IMF(=1、2、3……),可以组成矩阵,每一列为IMF,每个IMF共有量组成;
Ⅱ)计算每个列的Hilbert变换的能量,见公式(3)
(3)
Ⅲ)计算能量均值,公式为:
(4)
式中;
三、辨识:
建立轴承常用故障数据库,分成三个总体、、,分别代表正常轴承、内圈损坏和外圈损坏,模式识别转为求所获取当前信号的归属,计算新样本到总体的绝对值距离、、作为BP神经网络的输入向量。
所述的基于EMD和BP神经网络的电机轴承故障辨识方法,其特征在于:所述的BP网络为三层结构,从输入层到隐含层和从隐含层到输出层的转移函数分别采用TANSIG和LOGSIG,以下是BP神经网络设计步骤:
(1)由以上判别分析可知,新样本与各总体的距离判别获得三个距离值,BP网络来实现故障类型识别,判断该新样本属于正常轴承还是内圈损坏或外圈损坏,由此输入节点数为3个;
(2)按照轴承故障发生的部位可以分为三类,输出值范围:0~1,设置三类输出期望值:[0.90.10.1](表示正常),[0.10.90.1](表示内圈损坏),[0.10.10.9](表示外圈损坏);
(3)隐含层的最佳神经元个数采用试凑法确定,按照经验公式设定初值,然后不断尝试,最终认为10个神经元为最佳。
本发明的本专利基于EMD和BP神经网络的电机轴承故障辨识方法,以振动信号为研究对象,将多元统计分析中的判别分析与经验模态分解(EMD)分析相结合,提出轴承故障诊断一种方法,通过该方法对数据处理、特征提取和辨识能有效自动区分轴承故障类型。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是轴承在同一转速下的时域图和内圈损坏下的时域图;
图2是轴承正常状态下的EMD分解图。
具体实施方式
本发明的基于EMD(EmpiricalModeDecomposition,基于经验模态分解)和BP神经网络的电机轴承故障辨识方法,首先获取轴承振动信号,并设轴承振动信号为,表示时刻所采集的振动信号,所述的电机轴承故障辨识方法分3部分:
一、首先对信号进行EMD变换,步骤如下:
1)设源信号为,求极大值点,并用三次样条插值函数拟合,为上包络线;
2)对源信号,求极小值点,也用三次样条拟合,为下包络线,并由上下包络线求取均值包络线;
上述三次样条拟合是指利用所求得离散点形成一条光滑曲线的函数;当上包络线为和下包络线为 ,则 ;
3)求,若满足成为IMF的两个条件,则便为分解出来的第一个IMF,否则重复步骤1)、2);
筛选过程有两个目的:1、可消除载波;2、使得波形更对称;所以筛选过程必须重复进行很多次才能达到这些结果;
4)但筛选也不能无止休进行下去,默认当(上述筛选的终止算法)的值小于0.1便认为是IMF,公式(1):
(1)
式中为求第一个IMF筛选计算过程中第次均值包络,经过筛选,源信号分解为:
(2)
5)当IMF分量或余量小于预先设定值,或者余量已经成为单调函数,则整个筛选过程结束,表示分解成IMF的个数;这样EMD分析将信号分解为多个IMF分量之和。
二、特征提取:
计算步骤如下:
Ⅰ)对轴承振动信号进行EMD处理,产生一系列IMF(=1、2、3……),可以组成矩阵,每一列为IMF,每个IMF共有量组成;
Ⅱ)计算每个列的Hilbert变换(见特征变换算法)的能量,见公式(3)
(3)
Ⅲ)计算能量均值,公式为:
(4)
式中。
三、辨识:
建立轴承常用故障数据库,分成三个总体、、,分别代表正常轴承、内圈损坏和外圈损坏,模式识别转为求所获取当前信号的归属,计算新样本到总体的绝对值距离、、作为BP神经网络的输入向量,距离近说明靠近该总体,属于该类状态。
这里选取的BP网络为三层结构。从输入层到隐含层和从隐含层到输出层的转移函数分别采用TANSIG传递函数和LOGSIG传递函数,以下是BP神经网络设计步骤:
(1)由以上判别分析可知,新样本与各总体的距离判别获得三个距离值,BP网络来实现故障类型识别,判断该新样本属于正常轴承还是内圈损坏或外圈损坏,由此输入节点数为3个;
(2)按照轴承故障发生的部位可以分为三类,输出值范围:0~1,设置三类输出期望值:[0.90.10.1](表示正常),[0.10.90.1](表示内圈损坏),[0.10.10.9](表示外圈损坏);
(3)隐含层的最佳神经元个数采用试凑法确定,按照经验公式设定初值,然后不断尝试,最终认为10个神经元为最佳。
通过以上数据处理、特征提取和辨识能有效自动区分轴承故障类型。
通过下面试验例,进一步说明本发明的有益效果:
取电机振动信号进行上述过程仿真。该轴承在同一转速下的时域图和内圈损坏下的时域图如图1所示,该轴承正常状态下的EMD分解图如图2所示。
该轴承部分振动信号的计算结果见表1所示:
表1轴承IMF能量均值
BP神经网络的学习样本见表2所示:
表2样本集
经过表2样本的学习BP神经网络对新样本的辨识效果见表3、4所示:
表3测试数据
表4测试结果
0.3888 | 0.2161 | 0.7569 |
0.9764 | 0.0159 | 0.3154 |
0.1649 | 0.7151 | 0.2297 |
表3为新样本与三总体的绝对距离值(共三个样本,一行代表一个样本),数值越小说明属于对应总体,而表4由BP神经网络输出数值越靠近1为真值。由表3和4说明故障辨识能符合最初设想。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均包含在本发明的保护范围之内。
Claims (2)
1.一种基于EMD和BP神经网络的电机轴承故障辨识方法,首先获取轴承振动信号,并设轴承振动信号为,表示时刻所采集的振动信号,其特征在于:所述的电机轴承故障辨识方法分3部分:
一、首先对信号进行EMD变换,步骤如下:
1)设源信号为,求极大值点,并用三次样条插值函数拟合,为上包络线;
2)对源信号,求极小值点,也用三次样条拟合,为下包络线,并由上下包络线求取均值包络线;
3)求,若满足成为IMF的两个条件,则便为分解出来的第一个IMF,否则重复步骤1)、2);
4)默认当的值小于0.1便认为是IMF,公式(1):
(1)
式中为求第一个IMF筛选计算过程中第次均值包络,经过筛选,源信号分解为:
(2)
5)当IMF分量或余量小于预先设定值,或者余量已经成为单调函数,则整个筛选过程结束;
二、特征提取:
计算步骤如下:
Ⅰ)对轴承振动信号进行EMD处理,产生一系列IMF(=1、2、3……),可以组成矩阵,每一列为IMF,每个IMF共有量组成;
Ⅱ)计算每个列的Hilbert变换的能量,见公式(3)
(3)
Ⅲ)计算能量均值,公式为:
(4)
式中;
三、辨识:
建立轴承常用故障数据库,分成三个总体、、,分别代表正常轴承、内圈损坏和外圈损坏,模式识别转为求所获取当前信号的归属,计算新样本到总体的绝对值距离、、作为BP神经网络的输入向量。
2.根据权利要求1所述的基于EMD和BP神经网络的电机轴承故障辨识方法,其特征在于:所述的BP网络为三层结构,从输入层到隐含层和从隐含层到输出层的转移函数分别采用TANSIG和LOGSIG,以下是BP神经网络设计步骤:
(1)由以上判别分析可知,新样本与各总体的距离判别获得三个距离值,BP网络来实现故障类型识别,判断该新样本属于正常轴承还是内圈损坏或外圈损坏,由此输入节点数为3个;
(2)按照轴承故障发生的部位可以分为三类,输出值范围:0~1,设置三类输出期望值:[0.90.10.1](表示正常),[0.10.90.1](表示内圈损坏),[0.10.10.9](表示外圈损坏);
(3)隐含层的最佳神经元个数采用试凑法确定,按照经验公式设定初值,然后不断尝试,最终认为10个神经元为最佳。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510476672.4A CN105069291A (zh) | 2015-08-06 | 2015-08-06 | 一种基于emd和bp神经网络的电机轴承故障辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510476672.4A CN105069291A (zh) | 2015-08-06 | 2015-08-06 | 一种基于emd和bp神经网络的电机轴承故障辨识方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105069291A true CN105069291A (zh) | 2015-11-18 |
Family
ID=54498656
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510476672.4A Pending CN105069291A (zh) | 2015-08-06 | 2015-08-06 | 一种基于emd和bp神经网络的电机轴承故障辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105069291A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105784366A (zh) * | 2016-03-30 | 2016-07-20 | 华北电力大学(保定) | 一种变转速下的风电机组轴承故障诊断方法 |
CN107480787A (zh) * | 2017-08-10 | 2017-12-15 | 西安建筑科技大学 | 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法 |
CN109323754A (zh) * | 2018-08-31 | 2019-02-12 | 南京理工大学 | 一种列车车轮多边形故障诊断检测方法 |
CN110070031A (zh) * | 2019-04-18 | 2019-07-30 | 哈尔滨工程大学 | 一种基于emd和随机森林的海底底质声呐回波特征提取融合方法 |
CN111157894A (zh) * | 2020-01-14 | 2020-05-15 | 许昌中科森尼瑞技术有限公司 | 基于卷积神经网络的电动机故障诊断方法、装置和介质 |
CN111220921A (zh) * | 2020-01-08 | 2020-06-02 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
CN113065498A (zh) * | 2021-04-13 | 2021-07-02 | 杭州哲达科技股份有限公司 | 一种基于改进的emd和神经网络模型的异常数据检测方法 |
-
2015
- 2015-08-06 CN CN201510476672.4A patent/CN105069291A/zh active Pending
Non-Patent Citations (7)
Title |
---|
WEI LIAO等: "Fault diagnosis for engine based on EMD and wavelet packet BP neural network", 《2009 THIRD INTERNATIONAL SYMPOSIUM ON INTELLIGENT INFORMATION TECHNOLOGY APPLICAITION》 * |
周将坤: "基于EMD平均能量法的滚动轴承故障诊断", 《轻功机械》 * |
周瑞峰: "滚轮轴承故障智能诊断方法的研究与实现", 《中国优秀硕士学位论文全文数据库-工程科技II辑》 * |
张秀玲: "冷带轧机板形智能识别与智能控制研究", 《中国优秀博士硕士学位论文全文数据库(博士)-工程科技I辑》 * |
杨宇等: "基于EMD与神经网络的滚动轴承故障诊断方法", 《振动与冲击》 * |
秦太龙等: "基于IMF能量矩和神经网络的轴承故障诊断", 《振动、测试与诊断》 * |
董吉文等: "基于欧氏距离提高人工神经网的识别精度的方法", 《小型微型计算机系统》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105784366A (zh) * | 2016-03-30 | 2016-07-20 | 华北电力大学(保定) | 一种变转速下的风电机组轴承故障诊断方法 |
CN107480787A (zh) * | 2017-08-10 | 2017-12-15 | 西安建筑科技大学 | 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法 |
CN107480787B (zh) * | 2017-08-10 | 2020-12-11 | 西安建筑科技大学 | 一种基于bp神经网络的露天矿旋回式破碎机故障诊断方法 |
CN109323754A (zh) * | 2018-08-31 | 2019-02-12 | 南京理工大学 | 一种列车车轮多边形故障诊断检测方法 |
CN109323754B (zh) * | 2018-08-31 | 2022-04-12 | 南京理工大学 | 一种列车车轮多边形故障诊断检测方法 |
CN110070031A (zh) * | 2019-04-18 | 2019-07-30 | 哈尔滨工程大学 | 一种基于emd和随机森林的海底底质声呐回波特征提取融合方法 |
CN111220921A (zh) * | 2020-01-08 | 2020-06-02 | 重庆邮电大学 | 基于改进卷积-长短时记忆神经网络的锂电池容量估算方法 |
CN111157894A (zh) * | 2020-01-14 | 2020-05-15 | 许昌中科森尼瑞技术有限公司 | 基于卷积神经网络的电动机故障诊断方法、装置和介质 |
CN113065498A (zh) * | 2021-04-13 | 2021-07-02 | 杭州哲达科技股份有限公司 | 一种基于改进的emd和神经网络模型的异常数据检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105069291A (zh) | 一种基于emd和bp神经网络的电机轴承故障辨识方法 | |
CN100507971C (zh) | 基于独立分量分析的车辆声音识别方法 | |
Zhang et al. | A cable fault recognition method based on a deep belief network | |
CN103646252B (zh) | 一种基于优化的模糊学习矢量量化的苹果分类方法 | |
Deng et al. | An improved deep residual network with multiscale feature fusion for rotating machinery fault diagnosis | |
CN108827605A (zh) | 一种基于改进稀疏滤波的机械故障特征自动提取方法 | |
CN110046562A (zh) | 一种风电系统健康监测方法及装置 | |
CN103743980A (zh) | 基于pso优化的svm的电能质量扰动识别与分类方法 | |
CN104714925A (zh) | 一种基于分数阶傅里叶变换和支持向量机的齿轮传动噪声分析方法 | |
CN104502309A (zh) | 采用近红外光谱特征波长识别几种废旧塑料种类的方法 | |
CN106770939A (zh) | 一种基于支持向量描述和k近质心近邻的变压器故障诊断方法 | |
CN104809230A (zh) | 一种基于多分类器集成的卷烟感官质量评估方法 | |
CN101226133A (zh) | 一种血细胞脉冲信号的分类识别方法 | |
CN111753891A (zh) | 一种无监督特征学习的滚动轴承故障诊断方法 | |
CN102982347A (zh) | 一种基于kl距离的电能质量扰动分类方法 | |
CN113128567A (zh) | 一种基于用电量数据的异常用电行为识别方法 | |
CN111539657A (zh) | 结合用户日用电量曲线的典型用电行业负荷特性分类与综合方法 | |
CN113496440A (zh) | 一种用户异常用电检测方法及系统 | |
CN104156628A (zh) | 一种基于多核学习判别分析的舰船辐射信号识别方法 | |
CN104237757A (zh) | 基于eemd和边际谱熵的绝缘子污秽放电模式识别方法 | |
CN115587290A (zh) | 基于变分自编码生成对抗网络的航空发动机故障诊断方法 | |
CN105354170A (zh) | 基于ceemd和奇异值分解的识别方法 | |
Liu et al. | Explainable fault diagnosis of oil-gas treatment station based on transfer learning | |
CN105445577A (zh) | 一种电能质量干扰源工况辨识方法 | |
Liu et al. | A novel wind turbine health condition monitoring method based on common features distribution adaptation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20151118 |