The invention discloses a fault diagnosis method for motor bearings under variable load conditions. The invention innovatively takes the real-time load of bearings and the traditional statistical characteristics of bearings as the input parameters of BP neural network, eliminates the influence of load on the traditional statistical characteristics, and realizes the fault type and serious process of bearings under variable load conditions. The comprehensive judgement of the degree improves the accuracy and reliability of bearing fault diagnosis. Meanwhile, in the training phase of BP network, the random gradient algorithm with momentum term is introduced, which reduces the oscillation trend of error surface in the training process and improves the convergence rate.
【技术实现步骤摘要】
一种变负载工况下电机轴承故障诊断方法
本专利技术属于机械设备故障诊断领域，具体涉及一种变负载工况下电机轴承故障诊断方法。
技术介绍
电机是工业现代化建设中重要的驱动设备，轴承作为电机运转的关键部件之一，若不能及时发现并处理早期故障，将会使故障程度进一步扩大，进而影响整个机械系统的运转，甚至给国民经济和人民生命造成巨大的损失。因而对轴承进行故障诊断具有重要意义。然而，现有电机轴承故障诊断方法都是在轴承空载或者某一固定负载的背景下进行的。研究发现，同一工况的轴承在不同负载下其峰值因子、均方根值、波形因子等传统故障特征的特征值均会发生不同程度的改变。因此，传统通过故障特征进行轴承故障类型及严重程度分类的方法容易出现误诊断。且传统方法大都只能定性分析轴承的故障类型，很难对故障程度进行定量分析。所以，要解决上述问题，必须考虑轴承在不同负载下给传统故障特征带来的影响，这就要求我们使用一种新的方法来消除这种影响。
技术实现思路
针对上述问题，人们使用了不同的方法来消除此影响，传统的基于BP神经网络的轴承故障诊断方法是计算轴承振动信号的峭度、裕度因子、波形因子等统计特征，作为BP神经...
【技术保护点】
1.一种变负载工况下电机轴承故障诊断方法，其特征在于：包括以下步骤：(1)信号采集：利用加速度传感器获取不同故障类型的电机轴承在不同负载下的振动信号；(2)提取振动信号中能够反映轴承故障类型的时域特征指标：提取了峰值因子、均方根值、波形因子、方差、峭度、均值、裕度因子、等7种传统统计特征，其计算公式如下：(a)峰值因子：
【技术特征摘要】
1.一种变负载工况下电机轴承故障诊断方法，其特征在于：包括以下步骤：(1)信号采集：利用加速度传感器获取不同故障类型的电机轴承在不同负载下的振动信号；(2)提取振动信号中能够反映轴承故障类型的时域特征指标：提取了峰值因子、均方根值、波形因子、方差、峭度、均值、裕度因子、等7种传统统计特征，其计算公式如下：(a)峰值因子：(b)均方根值：(c)波形因子：(d)方差：(e)峭度：(f)脉冲因子：(g)裕度因子：其中，X＝(x1,x2,x3,...,xN)为轴承的振动信号，xi为X中的离散信号，N为信号的采样点数；(3)建立BP神经网络：构建一个3层的BP神经网络，包括一个输入层、一个隐层和一个输出层；(4)BP神经网络的训练和使用：将轴承负载和步骤(2)中选取的7种传统统计...
【专利技术属性】
技术研发人员：吴瑞祥，刘方，顾康康，殷敏，陈婧，黄海东，
申请(专利权)人：安徽大学，
类型：发明
国别省市：安徽,34
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。