基于SVD-EEMD和BP神经网络的滚动轴承故障诊断

论文摘要

针对故障轴承振动信号中含有强烈的背景噪声,难以提取故障信息的情况,提出了一种基于奇异值分解(singular value decomposition,SVD)、集合经验模式分解(ensemble empirical mode decomposition,EEMD)和BP神经网络的轴承故障诊断方法。应用SVD对轴承故障信号降噪处理后进行EEMD分解,获得其多个固有模态函数(intrinsic mode function,IMF)分解量,使用相关分析提取含有主要故障信息的IMF分量。从选取的IMF分量中提取故障特征参数,并将归一化后的故障特征参数作为BP神经网络输入参数进行轴承故障诊断。实验结果表明该方法能有效识别滚动轴承的故障类型,可用于轴承故障诊断。

论文目录

• 0 引言
• 1 原理方法
•   1.1 SVD降噪原理
•   1.2 EEMD分解
•   1.3 BP神经网络诊断
•   1.4 故障诊断方法
• 2 实验分析
•   2.1 实验说明
•   2.2 故障特征提取
•   2.3 滚动轴承故障诊断
• 3 结束语

文章来源

类型: 期刊论文

作者: 黄竞楠,王少红,马超

关键词: 奇异值分解,集合经验模态分解,神经网络,故障诊断

来源: 北京信息科技大学学报(自然科学版) 2019年02期

年度: 2019

分类: 工程科技Ⅱ辑,信息科技

专业: 机械工业,自动化技术

单位: 北京信息科技大学现代测控技术教育部重点实验室

基金: 北京市教委科技计划一般项目(KM201811232023),北京市机电系统测控中心重点实验室科学基金(KF20181123305)

分类号: TP183;TH133.33

DOI: 10.16508/j.cnki.11-5866/n.2019.02.014

页码: 69-74

总页数: 6

文件大小: 284K

下载量: 285