EMD和模糊神经网络在滚动轴承故障诊断中的研究与应用的综述报告.docx

EMD和模糊神经网络在滚动轴承故障诊断中的研究与应用的综述报告
滚动轴承是现代机械运行过程中经常使用的一种基础组件，它在机械运行过程中起着重要的支撑作用。滚动轴承若出现故障不仅会影响到整个机械的正常运行，还可能导致机械系统完全故障。因此，对滚动轴承的故障进行诊断和预防具有重要的工程实践意义。
目前，诊断滚动轴承故障最常用的方法是振动信号分析。其中，基于时域和频域的方法是应用最广泛的。但是这些传统方法存在着无法准确诊断一些微弱信号的问题，对于轻微故障或者早期故障无法进行及时准确诊断。为了解决这些问题，人们开始尝试使用新的方法进行滚动轴承故障诊断。其中，局部特征提取与模式识别结合，是目前应用较广泛的方法之一。
其中，一种常用于滚动轴承故障诊断的局部特征提取方法是经验模态分解法（EmpiricalModeDecomposition,EMD）。EMD是一种无需预设基函数、基于数据本身的局部特征分解方法。EMD可以将信号分解为一组固有模态函数，每个固有模态函数是一种具备本地特征的振动模式。EMD不需要任何静态假定或者统计模型，可以实时处理非线性和非平稳信号。因此，EMD可以在诊断轻微故障方面发挥很好的作用。
EMD方法常常与模糊神经网络（FuzzyNeuralNetwork,FNN）结合使用。FNN是基于神经网络和模糊理论相结合的一种方法，可以对非线性和模糊的问题进行有效处理。FNN可以根据模糊规则对输入信号进行分类，当某些轴承可能发生的故障被映射到网络中的模糊规则时，FNN将能够有效地诊断出信号中的故障。
在实际应用中，EMD方法与FNN方法可以结合使用。例如，在一项实验中，研究人员使用EMD方法提取信号特征，并将其输入到FNN网络中进行分类。实验结果表明，这种方法具有很高的诊断准确性，可以有效诊断出微小或早期的轴承故障。
另外，有学者尝试将EMD方法与其他算法结合使用，比如小波分析、时频分析等，以获得更高的准确度。例如，在一项研究中，研究人员将EMD方法与小波分析相结合，实验结果表明，这种方法可以诊断出更早期的轴承故障。
总之，EMD和FNN方法在滚动轴承故障诊断中已经得到了广泛的应用，已成为滚动轴承故障诊断领域的重要手段。这种方法的应用在未来也将得到进一步的推广和发展，为机械故障预防和维护提供更有效的手段。