最新：毕业答辩基于HHT与模糊神经网络的滚动轴承故障诊断研究文档资料.ppt

目录,概述,滚动轴承是大型旋转机械设备中的关键部件，其故障发生率比较高，轴承故障会产生强烈的噪声，对操作人员也十分有害。,对滚动轴承进行故障诊断可以避免经济的损失，及时解决设备的安全隐患，在机械故障诊断领域具有重要的意义。,以瑞典SKF公司的6205-2RS JEM深沟球轴承为研究对象,课题研究背景及意义,论文的主要内容,滚动轴承故障诊断,直接利用小波包降噪,采用EMD分解，利用小波包降噪,信噪比,导入ANFIS进行训练和测试,导入BP神经网络进行训练和测试,收敛速度,误差精度,EMD分解模态混叠,采用EMD的改进算法EEMD，根据白噪声的概率分布特点，再结合分布拟合检验选取有用IMF,重构IMF分量，利用包络谱进行诊断,复杂故障信号分析,论文技术路线,论文的主要内容,滚动轴承实验平台,本文所采用的数据来自于美国凯斯西储大学轴承实验中心，上图为轴承实验平台，左边是电动机，中间是扭矩换能器，右边是测力计。,论文的主要内容,EMD-小波包去噪,对滚动轴承内圈故障信号进行EMD分解，得到IMF分量及每一层分量对应的频谱图,论文的主要内容,将去噪的IMF1分量和其余IMF分量重构得到降噪结果,对IMF1分量进行小波包去噪,论文的主要内容,各种故障类型的信噪比,论文的主要内容,自适应神经模糊推理系统,滚动轴承故障信号,经EMD-小波包进行去噪预处理,利用小波包进行特征向量的构造,分为训练组和测试组,将其导入ANFIS和BP神经网络进行训练和测试,论文的主要内容,ANFIS的训练误差曲线，训练至5步基本收敛，误差精度为6.934710-5,BP神经网络的训练误差曲线，训练1000步才能将误差收敛到2.181110-5。虽然比ANFIS的训练误差低一些，但是这是在耗时长，训练步数多的基础上实现的。,论文的主要内容,采用ANFIS故障诊断法测试结果，在300个测试样本中有299组正确，诊断正确率为99.67%，BP神经网络的正确率仅为90.67%。,论文的主要内容,内圈,滚动体,外圈,论文的主要内容,EEMD-分布拟合检验去噪法,EEMD结合分布拟合检验对轴承故障信号进行去噪，提取有用的IMF分量，去除无意义IMF分量，达到降噪的目的,论文的主要内容,EEMD-分布拟合检验算法流程图,论文的主要内容,内圈故障信号经过EEMD的分解结果及正态概率图,服从正态分布，作为无用IMF分量,论文的主要内容,为了提高检验的可信度，本文又采取了一种检验方式：Jarque-Bera test。,测试结果H=1说明拒绝为正态分布，作为有用IMF分量保留；H=0说明接受为正态分布，作为无用IMF分量去除。,论文的主要内容,重构后的内圈故障信号及其对应的包络谱,利用包络谱对轴承进行故障诊断,根据理论计算轴承的转频 Hz，内圈故障频率 Hz，,论文的主要内容,外圈故障信号经过EEMD的分解结果及正态概率图,服从正态分布，作为无用IMF分量,论文的主要内容,为了提高检验的可信度，本文又采取了一种检验方式：Jarque-Bera test。,测试结果H=1说明拒绝为正态分布，作为有用IMF分量保留；H=0说明接受为正态分布，作为无用IMF分量去除。,论文的主要内容,重构后的外圈故障信号及其对应的包络谱,利用包络谱对轴承进行故障诊断,根据理论计算轴承的转频 Hz，外圈故障频率 Hz，保持架的故障特征频率 Hz,结论和展望,(1)利用EMD结合小波包对滚动轴承进行降噪，结合了两种方法的优点，可以有效地提高信号 的信噪比。(2)ANFIS与BP神经网络相比，训练时的收敛速度 更快，最终得到的诊断正确率更高。(3)利用EEMD结合分布拟合检验可以很好地选择 出有用IMF分量，提高了后期的诊断精度。(4)降噪后的信号利用包络谱可以很明显地识别出 滚动轴承的各种故障特征频率，提高了诊断结 果的正确性。,结论,结论和展望,展望,研究中主要考虑滚动轴承的单一故障，进一步研究可以从复合多故障入手，利用EMD或EEMD进行多故障复合的故障诊断。(2)研究中利用EEMD对滚动轴承进行故障诊断，采用的是分布拟合算法，进一步研究可以利用 EEMD结合智能算法对滚动轴承进行故障诊断。,请老师批评指正谢谢！,