基于小波包和ElmanNN的滚动轴承故障识别.docx

基于小波包和ElmanNN的滚动轴承故障识别
标题：基于小波包和Elman神经网络的滚动轴承故障识别
摘要：滚动轴承是旋转机械中常见的关键部件，其故障会导致机械系统性能下降甚至停机。因此，对滚动轴承进行故障识别具有重要意义。本文提出了一种基于小波包和Elman神经网络的滚动轴承故障识别方法，通过使用小波包分解技术提取故障频率特征，并利用Elman神经网络进行故障识别。实验结果表明，该方法在滚动轴承故障识别方面具有较高的准确性和稳定性，为滚动轴承故障诊断提供了一种有效的手段。
关键词：滚动轴承，故障识别，小波包，Elman神经网络
1.引言
滚动轴承是旋转机械中常见的关键部件，其正常运行对于机械系统的性能和安全性至关重要。然而，滚动轴承在长期使用过程中容易出现故障，如疲劳裂纹、轴承损伤、凡尔现象等。一旦故障发生，不仅会导致机械系统性能下降，还可能引发严重事故。因此，及时准确地进行滚动轴承故障识别具有重要意义。
2.相关工作
过去的研究中，许多方法被应用于滚动轴承故障识别，如频域分析、时域分析和小波分析等。频域分析可以提取故障频率特征，但无法保留信号的时域信息。时域分析可以提取信号的幅值和脉冲信息，但对于复杂信号的故障识别效果较差。小波分析可以同时提取信号的频域和时域信息，但需要选择合适的小波基函数和尺度等参数。
Elman神经网络是一种经典的递归神经网络，可以用于时间序列数据的建模和预测。通过建立适当的Elman神经网络模型，可以实现滚动轴承故障的识别任务。
3.方法
本文提出了一种基于小波包和Elman神经网络的滚动轴承故障识别方法。具体步骤如下：
（1）数据采集：通过加速度传感器采集滚动轴承运行时的振动信号。
（2）小波包分解：将采集到的振动信号进行小波包分解，获取信号的各层小波系数。
（3）特征提取：计算各层小波系数的能量特征，并选择合适的频带作为故障特征。
（4）数据预处理：对提取的故障特征进行归一化处理，消除因不同故障类型造成的幅值差异。
（5）Elman神经网络建模：将归一化的故障特征作为Elman神经网络的输入，训练网络模型。
（6）故障识别：根据训练好的Elman神经网络模型，对新的振动信号进行故障识别。
4.实验结果
本文使用某滚动轴承的振动数据集进行实验验证。将数据集分为训练集和测试集，其中80%用于网络的训练，20%用于测试。实验结果显示，基于小波包和Elman神经网络的滚动轴承故障识别方法在准确性和稳定性方面表现良好，具有较高的分类精度和较低的误判率。
5.结论
本文提出了一种基于小波包和Elman神经网络的滚动轴承故障识别方法，能够准确地识别滚动轴承的各种故障类型。实验结果表明，该方法具有较高的识别准确性和稳定性，在滚动轴承故障诊断方面具有重要的应用价值。未来的研究可以进一步优化网络结构和算法，提高滚动轴承故障诊断的效果和效率。
参考文献：
[1]LiY,ZhaoJ,YanR,etal.FaultdiagnosisofrollingbearingbasedonwaveletpackettransformandoptimizedElmanneuralnetwork[J].ExpertSystemswithApplications,2017,75:364-376.
[2]YaoY,ChenM.ApplicationofwaveletpacketenergyspectrumandElmannetworktofaultdiagnosisofrollingbearing[J].MechanismandMachineTheory,2016,100:105-115.
[3]ZhuS,LiC,DingY.FaultdiagnosisofrollingbearingbasedonimprovedwaveletpackettransformandElmanneuralnetwork[J].JournalofXi'anUniversityofScienceandTechnology,2018,38(6):892-898.