技術(shù)領(lǐng)域：

本發(fā)明屬于滾動軸承的故障診斷方法，特別涉及一種基于改進小波神經(jīng)網(wǎng)絡(luò)的滾動軸承的故障檢測方法。

背景技術(shù)：
：

滾動軸承起支承傳動軸及軸上零件的作用，并保持軸的正常工作位置和旋轉(zhuǎn)精度，其特點是有較好的機械效率，在機械設(shè)備運轉(zhuǎn)過程中能保持較低的功率消耗，且起動性能好、有很好的精度和轉(zhuǎn)速，能滿足多種機械設(shè)備的運轉(zhuǎn)要求、使用壽命較長、結(jié)構(gòu)緊湊、體積小、重量輕，安裝拆卸方便、易于維修和保養(yǎng)。滾動軸承是在航空旋轉(zhuǎn)機械中應(yīng)用最為廣泛的機械零件之一，在機械設(shè)備中起著承受及傳遞載荷的作用，其運行狀態(tài)對整臺機器的工作狀態(tài)有很大影響。如果滾動軸承發(fā)生故障會造成嚴重的破壞事故。因而研究滾動軸承的故障檢測和診斷技術(shù)，對于避免重大事故、減少人力物力損失等具有重要的理論研究價值和實際應(yīng)用意義。

在滾動軸承的故障診斷領(lǐng)域，目前普遍采用基于fourier變換的譜分析技術(shù)和時頻統(tǒng)計量分析方法對整個軸承系統(tǒng)的振動情況進行分析。fourier變換的實質(zhì)是把波形分解成許多不同頻率的正弦波的疊加，對于確知信號和平穩(wěn)隨機過程，fourier變換在信號分析和信號處理中有著廣泛的應(yīng)用，但是fourier分析使用的是一種全局的變換，要么完全在頻域，要么完全在時域，因此無法同時表述信號的時頻域性質(zhì)，而這種性質(zhì)恰恰是非平穩(wěn)信號根本和關(guān)鍵的性質(zhì)。

為了克服以上分析方法的不足，提出了一種基于改進小波神經(jīng)網(wǎng)絡(luò)的滾動軸承的故障檢測方法，小波包具有可以將信號按任意時頻分辨分解的特點，將不同頻段的信號分解到相應(yīng)的頻段中，然后可根據(jù)需要將所需頻段內(nèi)的信號重構(gòu)，重構(gòu)的信號與原來的信號長度一樣，起到了一種濾波的作用，非常適合于處理非平穩(wěn)信號。

神經(jīng)網(wǎng)絡(luò)能夠改進常規(guī)故障診斷方法的缺陷，對多維空間模式及非線性模式的識別等問題具有較強的分類能力，特別適用于多故障、多征兆這類復(fù)雜模式的識別。如果將基于小波變換的特征提取與神經(jīng)網(wǎng)絡(luò)模式識別有機地結(jié)合起來，必將提高滾動軸承故障診斷的準確性。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是為了克服現(xiàn)有小波神經(jīng)網(wǎng)絡(luò)在故障診斷、識別中存在的問題，根據(jù)滾動軸承振動信號的頻域變化特征，提出了一種基于改進小波神經(jīng)網(wǎng)絡(luò)的滾動軸承的故障檢測方法。

本發(fā)明是一種基于改進小波神經(jīng)網(wǎng)絡(luò)的滾動軸承的故障檢測方法，利用小波包分解后各頻段能量的分布作為特征向量輸入神經(jīng)網(wǎng)絡(luò)，利用改進的小波神經(jīng)網(wǎng)絡(luò)完成滾動軸承故障模式的識別，包括以下步驟：

步驟一：小波函數(shù)的選取，首先利用morlet小波對滾動軸承振動信號x(t)進行3層小波包分解，分別提取第3層從低頻到高頻6個頻率成分的信號特征，振動信號經(jīng)小波包分解可得到其在各頻帶內(nèi)成分的特征，即各低頻和高頻系數(shù)。

步驟二：重構(gòu)小波包分解系數(shù)，求取個頻帶的信號能量，即將各個小波包分解系數(shù)做選擇性重構(gòu)，提取各頻帶范圍的信號，提取和故障相關(guān)的幾個頻帶進行重構(gòu)，剔除主振動分量和干擾項。

步驟三：構(gòu)造特征向量，按尺度順序，以各層高頻小波分解系數(shù)的模為元素得到一組與信號對應(yīng)的序列，利用各頻帶的能量元素構(gòu)造一個特征向量f，即能量特征向量，作為小波函數(shù)神經(jīng)網(wǎng)絡(luò)的輸入元素，信號的特征向量提取之后，將它保存起來。

步驟四：利用小波神經(jīng)網(wǎng)絡(luò)技術(shù)實現(xiàn)滾動軸承故障的分類及識別，經(jīng)小波包分解僅獲得了與故障相關(guān)的特征，還需進行故障分類及識別，本方法利用iwnn進行故障分類及識別，iwnn網(wǎng)絡(luò)輸入層神經(jīng)網(wǎng)絡(luò)數(shù)量與能量特征向量相同，利用大量的實驗數(shù)據(jù)對網(wǎng)絡(luò)進行訓(xùn)練，使各項指標達到預(yù)先設(shè)定的要求，并保存訓(xùn)練后的結(jié)果。用于訓(xùn)練網(wǎng)絡(luò)的正常軸承20個，外環(huán)故障軸承15個，內(nèi)環(huán)故障軸承15個，滾動體故障的15個，其余作為被識別的試驗軸承。

本發(fā)明的優(yōu)點與積極效果在于：

(1)小波分析在時域和頻域同時具有良好的局部化性質(zhì)，利用小波包頻域分解信號構(gòu)造的能量特征向量準確地反應(yīng)了軸承振動信號頻域能量隨狀態(tài)信息的變化而變化的情況。

(2)由改進算法訓(xùn)練的小波神經(jīng)網(wǎng)絡(luò)不會陷入在常規(guī)bp網(wǎng)絡(luò)那樣的局部極小值。

(3)用改進的小波神經(jīng)網(wǎng)絡(luò)進行航空滾動軸承的故障診斷具有泛化性強、收斂較快、診斷較準確等優(yōu)點，能夠較好地滿足了航空工程中的需要。

附圖說明

圖1為本發(fā)明滾動軸承故障檢測方法的故障識別原理和設(shè)備。

圖2小波包分解示意圖。

具體實施方式

下面結(jié)合附圖和實施例對本發(fā)明作進一步的詳細說明。

本發(fā)明提出的滾動軸承故障檢測方法，基于小波包分析特征提取和改進的小波神經(jīng)網(wǎng)絡(luò)的診斷系統(tǒng)，利用小波包分解后各頻段能量的分布作為特征向量輸入神經(jīng)網(wǎng)絡(luò)，利用改進的小波神經(jīng)網(wǎng)絡(luò)完成滾動軸承故障模式識別。理論和實驗證明用該方法提取故障特征能加快小波神經(jīng)網(wǎng)絡(luò)的訓(xùn)練速度，能迅速地對滾動軸承進行故障的檢測和定位，具有廣泛的應(yīng)用前景。

本發(fā)明基于改進小波神經(jīng)網(wǎng)絡(luò)的滾動軸承的故障檢測方法其故障識別原理和設(shè)備如圖1所示，具體步驟如下：

步驟一、小波算法及能量分布特征提取，具體所述的小波包分析方法是對多分辨分析方法的改進，能對信號進行全面的時頻分解，更有效地反應(yīng)信號的時頻特征，從而可以更加有效地提取信號的故障特征?；拘〔?imgfile="389569dest_path_image001.gif"wi="101"he="21"img-content="drawing"img-format="gif"orientation="portrait"inline="no"/>，且滿足容許條件，有基本小波生成的二進離散小波為

（1）

由基本小波所得二進正交尺度函數(shù)為

（2）

將尺度函數(shù)和小波函數(shù)分別記為和，則由

（3）

所定義的函數(shù)集合為由基函數(shù)確定的正交小波。

步驟二、能量分布特征向量提取，首先選擇合適的小波基函數(shù)，使被測信號所含波形和所選取的小波基函數(shù)形狀相近，從而達到提取信號故障特征的目的，小波基函數(shù)和沖擊性信號的相似程度可表示為：

式中：為相似性系數(shù)，為無量綱系數(shù)；為小波基函數(shù)作絕對值后各波峰所包含的面積；為小波基函數(shù)作絕對值后各波峰的極大值；為小波基函數(shù)作絕對值后各波峰的加權(quán)系數(shù)；其次對原始振動信號采樣序列進行n層正交小波分解，得到第1層到第n層共n個高頻小波分解系數(shù)序列；然后求各層高頻小波分解系數(shù)序列的能量，設(shè)為第j層高頻小波分解系數(shù)序列的能量，則有，式中n為序列中分量個數(shù)，小波包分解示意圖如附圖2所示；最后特征向量的構(gòu)成按尺度順序，以各層高頻小波分解系數(shù)序列的能量為元素組成特征向量，即。

步驟三、小波函數(shù)的選取，首先利用morlet小波對滾動軸承振動信號進行3層小波包分解，利用(3)分別提取第3層從低頻到高頻6個頻率成分的信號特征，振動信號經(jīng)小波包分解可得到其在各頻帶內(nèi)成分的特征。步驟四、求取各頻帶的信號能量，即將各個小波包分解系數(shù)做選擇性重構(gòu)，提取各頻帶范圍的信號，提取和故障相關(guān)的幾個頻帶進行重構(gòu)，剔除主振動分量和干擾項，用d30表示d30的重構(gòu)信號，用d31表示d31的重構(gòu)信號，其分解結(jié)構(gòu)如附圖2所示，以此類推。

d=d30+d31+d32+d33+d34+d35+d36+d37采用下式求各頻段信號能量：式中，表示重構(gòu)信號的離散點的幅值。

步驟五、構(gòu)造特征向量，按尺度順序，以各層高頻按尺度順序，以各層高頻小波分解系數(shù)的模為元素得到一組與信號對應(yīng)的序列，利用各頻帶的能量為元素構(gòu)造一個特征向量f：

f稱為能量特征向量，作為小波函數(shù)神經(jīng)網(wǎng)絡(luò)的輸入元素。式中e為各頻帶能量的總和,信號的特征向量提取之后,將它保存起來。

步驟六、利用小波神經(jīng)網(wǎng)絡(luò)技術(shù)實現(xiàn)變速箱故障的分類及識別，經(jīng)小波包分解僅獲得了與故障相關(guān)的特征，還需進行故障分類及識別，本文利用iwnn進行故障分類及識別，故障識別原理和設(shè)備如附圖1所示。iwnn網(wǎng)絡(luò)輸入層神經(jīng)網(wǎng)絡(luò)數(shù)量與能量特征向量相同，假設(shè)試

驗軸承共有k種故障形式，則令網(wǎng)絡(luò)的輸出為，當實驗軸承屬于故障形式rj時就令rj=1，其余為零，即輸出向量為。利用大量的實驗數(shù)據(jù)對網(wǎng)絡(luò)進行訓(xùn)練，使各項指標達到預(yù)先設(shè)定的要求，并保存訓(xùn)練后的結(jié)果。用于訓(xùn)練網(wǎng)絡(luò)的正常軸承20個，外環(huán)故障軸承15個，內(nèi)環(huán)故障軸承15個，滾動體故障的15個，其余作為被識別的試驗軸承。

通過以上故障檢測方法以及結(jié)果的詳細描述，可見本發(fā)明的基于改進小波神經(jīng)網(wǎng)絡(luò)的滾動軸承的故障檢測方法具有明顯的優(yōu)勢：在時域和頻域同時具有良好的局部化性質(zhì),利用小波包頻域分解信號構(gòu)造的能量特征向量準確地反映了軸承振動信號頻域能量隨狀態(tài)信息的變化而變化的情況。由改進算法訓(xùn)練的小波神經(jīng)網(wǎng)絡(luò)不會陷入在常規(guī)bp網(wǎng)絡(luò)那樣的局部極小點。本發(fā)明方法結(jié)果表明:用改進的小波神經(jīng)網(wǎng)絡(luò)進行滾動軸承的故障診斷具有泛化性強、收斂較快、診斷較準確等優(yōu)點。