基于KPCA-BP网络模型的滚动轴承故障诊断方法研究

作者:徐卫晓;宋平;谭继文 刊名:煤矿机械 上传者:张晓晖

【摘要】针对滚动轴承信号的非线性、非平稳性特点及诊断中冗余与噪音的干扰,引入了核主元分析法和BP神经网络相结合的方法对轴承的故障信号进行诊断,以提高轴承故障诊断的性能。通过5个传感器采集轴承不同状态的故障信号,利用小波包提取能量特征值,同时提取轴承的时-频域特征量组成原始特征空间,利用核主元分析方法对原始特征空间降维,提取主元特征量输入到BP神经网络中进行故障模式识别。试验结果表明,KPCA-BP网络模型的性能优于未筛选-BP网络,具有更好的诊断效果和抗干扰能力。

全文阅读

第 35卷第 O8期 2014年 08月 煤 矿 机 械 Coal Mine Machinery V01.35 No.O8 Aug.2014 doi:lO.13436/j.mkjx.2014081 17 基于 KPCA—BP网络模型的滚动轴承故障诊断 方法研究 木 徐卫晓 ,宋 平。谭 继文 (青 岛理工大学 。山东 青岛 266033) 摘 要 :针对滚动轴承信号的非线性、非平稳性特点及诊断中冗余与噪音的干扰 .引入 了核主 元分析法和 BP神经网络相结合的方法对轴承的故障信号进行诊断 ,以提 高轴承故障诊断的性能。 通过 5个传感器采集轴承不同状 态的故障信号 ,利用小波包提取能量特征值 .同时提取轴承的时一 频域特征量组成原始特征空间,利 用核主元分析 方法对原始特征 空间降维 .提取主元特征量输入 到 BP神 经网络 中进行故 障模式识 别。试验结果表 明 .KPCA—BP网络模 型的性 能优 于 未筛选 一 BP网络 。具有更好的诊断效果和抗干扰能力。 关键词 :核主元分析 ;BP神经网络 ;滚动轴承 :故障诊断 中图分类号:TH133.3 文献标志码 :A 文章编号 :1003—0794(2014)08—0265—03 Fault Diagnosis M ethods of Roing Bearing Based on Kernel Principal Component Analysis and BP Neural Network XU W ei-xiao,SONG Ping。TAN Ji-wen (Qingdao Technological University,Qingdao 266033,China) Abstract:According to the characteristic of non—.stationary and non .1inear signal of the rolling element bearing and the diagn osis of redundancy and noise interference,this paper introduced the kernel principal component analysis method and the method of combining the BP neural network to the bearing fault signla diagnosis,in order to improve the performance of the bearing fault diagnosis. Through five sensors to collect the bearing fault signal of different state,using the wavelet packet energy feature extracting value,using the method of kernel principal component analysis to the original feature space dimension reduction,extract the primary input to the characteristics of the BP neural network in fault pattern recognition.1he test results show that the perform a

参考文献

引证文献

问答

我要提问