The invention discloses a method for intelligent fault diagnosis of rolling bearings. Using acceleration sensors to obtain the vibration signal of rolling bearing; the vibration signal by wavelet decomposition and reconstruction of packet transform, get the reconstructed signal of each frequency band; using singular value decomposition technique to reconstruct the signal singular value decomposition, the singular value of each frequency band are combined into rolling bearing feature vector; rolling bearing feature vector under different conditions a feature matrix is input to the PNN neural network is trained by the vibration signal feature extraction after input to the trained PNN neural network for fault pattern recognition. The invention can accurately extract the characteristic information contained in the vibration signal of the rolling bearing, and can accurately distinguish and distinguish through the PNN neural network, the diagnosis is fast, the precision is high, and the reliability is good.
【技术实现步骤摘要】
本专利技术涉及一种滚动轴承故障诊断方法,核心是基于小波包变换和奇异值分解的滚动轴承故障特征提取技术以及基于PNN神经网络的模式识别技术。
技术介绍
滚动轴承是旋转机械的关键零部件之一,在使用过程中受到机械应力、磨损等一系列物理作用,使轴承发生形变、腐蚀等损伤。同时,由于加工制造工艺的不规范以及装配不当等原因,轴承也会产生人为损伤,这些损伤的累积与加深最终导致了轴承的故障。一旦轴承发生故障,将导致机组停机,甚至发生重大生产事故。因此,滚动轴承的故障诊断至关重要。当前滚动轴承的故障诊断大多采用振动分析法作为技术手段,在故障特征提取方面主要是通过时域、频域以及时频分析三种方法。然而,时域和频域方法只能从整体上描述振动信号的特征,割裂了信号时域和频域的联系,不能详细的反映振动信号的内在信息。在滚动轴承故障诊断的研究中,故障的征兆和故障类型存在很复杂的非线性数学关系,使得诊断的合适的数学模型很难找到。时频分析方法能够在时域和频域上反映信号的特征。小波变换是目前信号时频分析中常用的方法之一,但是它只能够对低频段信号进行分解,对于信号的高频部分不再进行处理,而滚动轴承的故障特征信息往往集中在信号的中高频段,这就限制了小波变换在滚动轴承故障诊断中的应用。从小波变换发展而来的小波包分解技术不仅体现信号低频段的近似部分,也能体现信号高频段的细节部分,因而在处理非线性及非平稳信号的领域中具有非常明显的优势。故障诊断的关键在于故障特征的提取,矩阵奇异值是矩阵的固有特征,通过对矩阵的奇异值分解可以有效提取矩阵中的关键信息。奇异值具有良好的稳定性,即当矩阵元素发生小的变动时,矩阵的 ...
【技术保护点】
一种用于滚动轴承智能故障诊断的方法,其特征在于包括以下步骤:1)利用加速度传感器获取滚动轴承振动信号;2)采用小波包变换对滚动轴承振动信号进行分解并重构;3)运用奇异值分解方法对重构信号进行奇异值分解,将各频段的奇异值组合成特征向量;4)将滚动轴承不同状态下的特征向量构成特征矩阵,并输入到PNN神经网络中进行训练,得到训练好的PNN神经网络;5)将振动信号经步骤2)、3)特征提取后输入到训练好的PNN神经网络中进行故障模式识别。
【技术特征摘要】
1.一种用于滚动轴承智能故障诊断的方法,其特征在于包括以下步骤:1)利用加速度传感器获取滚动轴承振动信号;2)采用小波包变换对滚动轴承振动信号进行分解并重构;3)运用奇异值分解方法对重构信号进行奇异值分解,将各频段的奇异值组合成特征向量;4)将滚动轴承不同状态下的特征向量构成特征矩阵,并输入到PNN神经网络中进行训练,得到训练好的PNN神经网络;5)将振动信号经步骤2)、3)特征提取后输入到训练好的PNN神经网络中进行故障模式识别。2.根据权利要求1所述的用于滚动轴承智能故障诊断的方法,其特征在于:所述步骤1)中,利用加速度传感器分别采集滚动轴承在正常、内圈故障、外圈故障以及滚动体故障四种状态下的振动信号。3.根据权利要求1所述的用于滚动轴承智能故障诊断的方法,其特征在于:所述步骤2)中,采用小波包变换对滚动轴承振动信号进行分解,对分解得到的各频带信号进行重构,具体包括以下步骤:2.1)对振动信号X进行零均值化处理,X=X-E(X),式中,E(·)是求均值;2.2)对零均值化后的振动信号进行小波包分解;利用MATLAB中小波包分解函数wpdec,其调用格式为Tr=wpdec(X,L,'wname'),设置小波包分解层数L,L为正整数,设置小波基函数wname,其中X为振动信号,Tr为小波包分解树,包含2L个频段的小波包分解系数;2.3)对2L个频段的小波包系数进行重构,利用MATLAB中的小波包系数重构函数wprcoef,该函数的调用格式为SL,i=wprcoef(Tr,[L,i]),其中SL,i(i=0,1,2,…2L-1)为第L层的第i个重构信号,[L,i]表示第L层的第i个节点。4.根据权利要求1所述的用于滚动轴承...
【专利技术属性】
技术研发人员:张兵,刘朦月,张斌,王景霖,曹亮,郑蔚,
申请(专利权)人:中国航空工业集团公司上海航空测控技术研究所,
类型:发明
国别省市:上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。