基于EMD与深度信念网络的滚动轴承故障特征分析与诊断方法.docx

基于EMD与深度信念网络的滚动轴承故障特征分析与诊断方法
摘要：
滚动轴承作为传动系统的重要组成部分，在工业生产的各个领域中都扮演着重要的角色。磨损、松动、杂质、温度变化等自然因素，都会对轴承的运行造成不良影响，进而影响机器的运行和使用寿命。因此，对轴承的故障预测和诊断，是保障工业生产连续性、安全性和经济性的重要手段。该研究在EMD、深度信念网络的基础上，提出了一种滚动轴承故障特征分析与诊断方法。结果表明，该方法有效、准确率高，能够有效提高轴承的运行寿命和维护效率。
关键词：EMD、深度信念网络、滚动轴承、故障诊断
Abstract:
Rollingbearingsplayanimportantroleinvariousindustrialproductionfieldsasavitalcomponentofthetransmissionsystem.Naturalfactorssuchaswear,looseness,impurities,andtemperaturechangescanhaveadverseeffectsonbearingoperation,whichinturnaffectsmachineoperationandservicelife.Therefore,faultpredictionanddiagnosisofbearingsareimportantmeanstoensurethecontinuity,safety,andeconomyofindustrialproduction.BasedonEMDanddeepbeliefnetwork,thisstudyproposesamethodforanalysisanddiagnosisofrollingbearingfaults.Theresultsshowthatthemethodiseffectiveandhashighaccuracy,whichcaneffectivelyimprovetheoperationlifeandmaintenanceefficiencyofbearings.
Keywords:EMD,deepbeliefnetwork,rollingbearings,faultdiagnosis
一、引言
滚动轴承作为一种机械标准件，广泛应用于各个领域，而在实际应用过程中，其故障率相当高。因此，开发有效的故障诊断方法，对于提高轴承的安全性、可靠性和使用寿命具有重要意义。EMD（经验模态分解）是一种新颖的信号分解方法，主要应用于非线性和非平稳的振动信号分析。深度信念网络（DBN）是一种机器学习方法，用于特征提取和分类。基于EMD和DBN的方法可用于提取滚动轴承振动信号的特征，并诊断轴承的故障。
二、EMD与DBN的基本原理
1.EMD
EMD是基于数据本身的经验式信号分解方法，主要分解成许多本征模态函数（EMD）和一个剩余项。EMD是基于局部特性的分解方法，所以适用于非线性和非平稳的振动信号分析。科学家使用EMD来提取信号中的本征模态函数，这些本征模态函数可以在信号的不同时间和频率上描述其振动特征。通过以降序方式对模态函数进行组合，可还原原始信号的时间序列。
2.DBNU
DBN是一种机器学习方法，用于特征提取和分类。DBN是一个层次式网络，它由许多简单的模型组成，可用于学习不同特征之间的关系。DBN的训练过程主要分为两个步骤，第一步是贪心预先训练，第二步是后续微调。预先训练使用受限制的玻尔兹曼机（RBM），它是一种能量为玻尔兹曼分布的随机变量的处理单元。在该方法中，学习过程采用梯度下降算法，并使用反向传播算法实现特征的分类和检测。
三、基于EMD与DBN的滚动轴承故障分析与诊断方法
本文提出的滚动轴承故障分析与诊断方法主要分为数据采集、EMD分解、特征提取、DBN分类、结果分析五个步骤。
1.数据采集
对于滚动轴承的采集数据，可以用振动传感器采集振动信号，并将其转化为电信号。振动传感器可安装在轴承相对于轴线方向的位置，并将其转化为振动数据。在实际应用过程中，应注意保持轴承原有的使用状态，以确保采集的数据真实可靠。
2.EMD分解
将采集的振动数据分解成多个内固有模态函数（IMF）。IMF是满足以下两个条件的局部振动模态函数：1）极值数与信号的拐点数相等或相差最多1；2）在整个数据上，上限和下限的平均值分别为零。通过EMD分解，可将复杂的非线性和非平稳振动信号分解成一系列的IMF。
3.特征提取
通过对IMF进行统计分析，提取其能量、方差和频谱峰值等统计特征。
4.DBN分类
将提取的特征输入到DBN进行分类和诊断。在此进程中，DBN通过学习已知的轴承状态，用于分类判断，从而实现轴承故障的诊断。
5.结果分析
根据DBN的分类结果，判断