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 PDF

Info

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
Application number
CN201510476672.4A
Other languages
English (en)
Inventor
黄克
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wenzhou University
Original Assignee
Wenzhou University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wenzhou University filed Critical Wenzhou University
Priority to CN201510476672.4A priority Critical patent/CN105069291A/zh
Publication of CN105069291A publication Critical patent/CN105069291A/zh
Pending legal-status Critical Current

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

一种基于EMD和BP神经网络的电机轴承故障辨识方法
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。
CN201510476672.4A 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 Pending CN105069291A (zh)

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)

* Cited by examiner, † Cited by third party
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

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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