文摘

针对诊断效率和精度低的问题,由于噪声和交叉混叠在各种故障的复合故障诊断滚动轴承在实际工作条件下,滚动轴承复合故障诊断方法,基于优化的小波包自回归(AR)光谱能量熵和自适应没有速度项粒子群optimization-self组织地图恢复传播神经网络(ANVTPSO-SOM-BPNN)提出。能量熵特征提取的轴承振动信号通过小波包AR谱,SOM和摘要系列组合起来形成一个网络。算法的速度术语被丢弃,惯性权重和学习因子自适应地调整。最后,Dempster-Shafer (d - s证据融合)进行诊断。接近的应用条件,数据收集和远离的故障点附近复合故障诊断,验证了该方法的有效性。

1。介绍

滚动轴承是旋转机械中最重要的组件之一。它扮演着一个重要的角色在支持旋转轴和减少摩擦。其工作状态具有重要意义整个旋转电机的正常运行1- - - - - -4]。在实际工程中,断层通常不会单独出现,和复合故障的概率相同的轴承也大。复合故障相关的两个或两个以上的缺点,同时和交叉影响(5]。和不同的故障会引起的振动信号相互干扰,产生的耦合现象,这使得信号更加复杂和难以准确诊断故障。因此,滚动轴承的故障诊断具有重要实用价值(6]。

轴承的故障诊断的特征提取、神经网络和multi-information融合研究重点。特征提取的小波包分解是一个典型的不稳定信号的处理方法,可以处理的信号更精确(7]。唐,邓8)提出了一种基于改进的复合轴承故障特征分离方法谐波小波包分解分解中频部分的信号并提取更有效的信号。他等。9)应用自适应冗余多小波包复合旋转机械的故障诊断,提出了规范化的多重分形熵作为评价标准,自适应地构造的多小波,并确定故障敏感频带的特征频率的相对能量比。马等。10)使用多小波包分解复合故障信号,重构信号与排列熵作为评价指标,最后使用能量算子解调故障特征提取。对滚动轴承的故障诊断,Abbasion et al。11)预处理振动信号通过小波分析,然后使用支持向量机(SVM)诊断错误。詹森et al。12应用卷积神经网络(CNN)的多故障诊断。Lv和姚13)使用小波包分解结合反向传播神经网络(摘要)诊断错误。其中,摘要广泛用于滚动轴承的故障诊断,由于其强大的非线性映射能力和自学习和自适应能力14]。然而,标准的摘要是容易陷入局部最优解和过度依赖于样本。摘要利用的缺陷,黄等。15)利用遗传算法的全局搜索能力来优化摘要。龚et al。16)结合自组织映射(SOM)摘要利用得到更好的分类结果,提高收敛速度。桔多琪et al。17优化权重和阈值的摘要通过粒子群优化(PSO)和通过小波包能量特征提取,提高了诊断效率和准确性。标准的粒子群算法也有它的缺点,如收敛精度低,容易陷入局部极值。王先生和王18]介绍了指数下降和迭代阈值来提高线性下降的重量标准PSO和验证改进算法的优点在搜索准确性,收敛速度和稳定性。朱和雪19)自适应修改学习因素更好的平衡局部和全局搜索能力的问题,学习的固定值PSO影响算法性能的因素。针对复合故障的模糊性和不确定性信号,进一步提高了信息融合诊断结果。Khazaee et al。20.]融合振动和声音信号通过Dempster-Shafer (d - s证据理论)齿轮箱的故障诊断,取得了理想的结果。冯和佩雷拉(21)小波神经网络和证据理论应用于旋转机械故障诊断,验证了有效性。

本文提出了一种新的诊断方法基于AR谱优化的小波包能量熵自适应没有速度项PSO-SOM-BPNN (ANVTPSO-SOM-BPNN)。为了更接近真实的现场工作条件,数据收集的故障点和远离断层附近的点,分别。轴承振动信号的能量熵特征是通过小波包提取的基于“增大化现实”技术的频谱。的基函数和分解层小波包分解是最佳选择。SOM和摘要系列组合起来形成一个网络,和PSO丢弃速度项和自适应调整惯性权重和学习因子。最后,该方法用于融合诊断结果在两个测量分在d - s证据决策水平提高效率和滚动轴承复合故障诊断的准确性。

2。方法

滚动轴承的运行期间,由于内圈之间的相互作用,外环和滚动体,很容易形成重叠复合的缺点。其中,故障特征可能被淹没的能量较弱特征与其他强大的能量或噪音,影响故障诊断的准确性。因此,首先,振动加速器安装在两个不同的测量收集振动信号。其次,两种类型的收集信号预处理,然后提取信号特征。和两种提取故障特征的诊断新方法,获得两种基本的概率分布。最后,两个概率分布是由d - s证据理论融合实现使用multi-information融合故障诊断的目的。整个研究滚动轴承复合故障诊断的概念,如图1。

2.1。小波包AR谱熵特征提取方法

2.1.1。小波包分解的原则

小波包分解克服了小波分析的缺陷信号分解的低频部分。它还分解高频部分和提高时频分辨率。具体算法如下。

给定尺度函数和小波基函数 ,双刻度方程满足它们之间: 在哪里是时间翻译的因素;低通滤波器系数;和是高通滤波器系数。

小波包分解算法 在哪里小波包分解层数;由层低频系数分解吗 ;和高频系数分解层 。

小波包重构算法 在哪里低频小波包系数重构和吗是高频小波包系数重构。

2.1.2。AR谱估计

由于滚动轴承复合故障信号的复杂性,很难获得准确的故障特征只有通过小波包分解。因此,需要进一步处理的基础上,小波包分解。AR谱估计的基本思想是建立一个基于“增大化现实”技术的模型时间序列信号,然后计算自备光谱信号模型的系数(22]。

AR模型的一般表达式 在哪里自回归时间序列;是有限的带宽白噪声与正态分布均值为0,方差的 ; 回归系数;和是模型。

如果方程(4)被认为是系统的输入/输出方程,可以被视为白噪声输入系统的,然后呢激励下系统的响应输出的有限带宽白噪声。

根据自备谱和传递函数的定义,单方面光谱信号可以由以下公式表示: 在哪里 ; ;和采样频率。

2.1.3。确定小波包分解的水平

分解层次的选择不仅影响故障特征提取,也决定了特征向量的维数。当分解层的数量太小,每个频段的信息不能被完全分解,和轴承特性信息不是准确提取,影响故障诊断的准确性。虽然增加的数量可以分析故障信号小波包分解层更细,分解后的信号数量的增加。分解层数太多时,特征向量的维数太大,影响故障识别的效率。因此,小波包分解层数必须考虑信号本身的特点。本文计算的最优分解层数由以下方程(23]: 在哪里的最大层数;采样频率;和是信号频率。

滚动轴承的振动信号,特别是故障状态信号,有用信号的频率分为两种类型:(1)旋转频率和(2)故障频率(24]。小波包分解的目标是找到故障特性,信号频率可以取代了故障特征频率(25]。

2.1.4。选择小波包的基函数

(1)信息熵原理。信息熵是信息论的信息障碍的措施。熵越大,越障碍的信息和信息的贡献越小。相反,熵越小,越小障碍的信息和信息的贡献就越大。滚动轴承的工作状态通常是表达形式的振动状态。当滚动轴承发生故障时,相应的振动信号将会改变。因此,从振动信号中提取信息熵在时频域中可以反映滚动轴承的振动状态。

(2)小波包能量熵。小波包能量熵的建设步骤如下。

步骤1。滚动轴承复合故障信号的小波包分解。在信号分解层,sub-signals生成。节点的能量的层 ,的 ,表示为 在哪里小波包分解层数; 是节点层的 ;和是信号长度。

步骤2。总信号能量表示为

步骤3。每个节点的能量比例的总能量是记录

步骤4。 每个频带的能量分布在层后的信号通过小波包分解。根据香农定理,相对应的小波包能量熵定义为每个节点

第5步。信号的总能量熵是表示为

(3)小波包的选择基函数。在小波包分解,信号波形的部分相似的波形选择小波包,其余的基函数是抑制(26),因此小波包分解后能量越大。在信息理论中,常规信号越多,贡献越高价值的信息,和小波包能量熵越小。根据最大比例的原则总能量和小波包的总能量熵,比例越大,越相似选择的小波包的基函数是原始信号(27]。

总能量的比值公式以及总能量熵小波包

2.1.5节讨论。小波包建设AR谱熵特征向量

小波包AR谱熵特征向量的建设步骤如下。

步骤1。选择最优小波基分解收集到的振动信号小波包分解并生成水平小波包系数。

步骤2。根据小波包滤波器选择在分解过程中,其双重过滤器选择重建。当重建一定频带信号,设置其他频带的小波包系数为零,使重构信号只包含频带信号的时域波形。

步骤3。每个重构信号的AR谱估计获得AR谱只包含特定频率的信息。

步骤4。计算小波包能量熵的AR谱带。

第5步。小波包能量熵的AR谱带是规范化,并构造特征向量。

2.2。ANVTPSO-SOM-BPNN的故障诊断模型

2.2.1。SOM-BPNN算法

摘要利用是一个多层前馈神经网络训练误差反向传播。这是一个监督学习网络,训练在已知的前提下预期的输出。耶鲁大学管理学院是一个无监督、自组织和视觉完全连接神经元阵列组成的网络。两个串联连接形成一个组合SOM-BPNN模型,SOM的优点和摘要。样本数据后进入SOM,实现样品的初步分类。培训二级网络的本质是一个维度添加到训练样本的输入向量和使用它作为二级网络。新添加的维度是用来标记的分类结果的主要网络,从而促进二级网络的训练。从理论上讲,它可以有效地减少二级网络的训练时间和使整个网络收敛速度更快。作为主要的网络训练,SOM不需要大样本集,所以SOM-BPNN也有相同的特点。因此,两个神经网络的组合可以实现优势互补,以提高故障诊断的准确性。 The essence of SOM-BPNN is to add a competition layer in front of the hidden layer of BPNN, and its structure is shown in Figure2。

SOM-BPNN的实现过程如下。

步骤1。构建训练样本和正常的输入样本。

步骤2。确定层数和节点的SOM和摘要,分别。

步骤3。与SOM初步分类的输入样本。

步骤4。一个维度添加到训练样本向量根据SOM的初步分类结果,并使用新的二级摘要向量作为输入。

第5步。摘要后开始培训二级网络的输入层接收新样本向量,直到模型达到收敛要求。

结合网络SOM-BPNN模型可以更准确地输入样本集进行分类。测试样本的分类实现通过输入测试样本集到模型中。

2.2.2。ANVTPSO算法

算法是最优解的搜索通过个体之间的合作。在实践中,初始化一群随机粒子,粒子在每个迭代搜索过程中,通过极端的不断更新 直到找到最优解的组内迭代步骤。其中,是由粒子本身迄今发现最优解,即个体极值,然后呢是迄今发现的最优解整个人口,即全局极值。 在哪里 和 粒子的速度和位置吗粒子的维度的 分别迭代;惯性权重;迭代次数;和正在学习因素;和和随机数在 。

为了避免随机给定的初始速度的影响粒子的收敛速度和精度,速度项的标准PSO是废弃的28),位置更新根据以下方程:

算法的缺点容易过早收敛,收敛精度低,和后来的迭代效率低29日]。惯性权重调节粒子在解空间的搜索能力,以及其价值影响算法的优化级别。与此同时,由于算法的进化阶段,不同的学习因素应该被设置在不同的阶段。在此基础上,本文使用一种自适应方法修改惯性权重,从而改变粒子目标函数值的变化(30.由方程()表示15)。采用异步非线性自适应调整学习因子(31日),由方程(表示16)。 在哪里是最大惯性重量;是最小惯性权重;是粒子的实时目标函数值;和和是当前所有粒子的平均和最小值,分别。 2是学习因素的初始值在哪里和 。

2.2.3。ANVTPSO-SOM-BPNN模型

输入样本的初步分类是通过SOM意识到的。根据初步分类结果,一个维度添加到训练样本向量,和新成立的特征向量作为SOM-BPNN的输入。然而,最初的网络连接权重和节点SOM-BPNN阈值,如摘要、通常根据经验确定,容易陷入局部最优解,这限制了网络的收敛效率。但算法可以搜索在一个大空间,当它被用来优化SOM-BPNN阈值和体重,这在一定程度上可以避免上述问题。因为算法的参数设置对最终结果有很大的影响,本文采用一种自适应调整算法的惯性权重和学习因子和完成它的速度以避免粒子初始速度对收敛速度的影响和解决方案的准确性,这是新的ANVTPSO算法,用于SOM-BPNN阈值和权重优化,提高故障诊断的准确性。ANVTPSO-SOM-BPNN诊断模型,过程如图3。

ANVTPSO-SOM-BPNN算法的流程如下。

步骤1。设置输入节点,网络竞争层,SOM和其他参数,根据数据特征。使用SOM的分类结果作为训练样本向量,并添加一个维度;然后,形成一个新的特征与原始数据集特征数据。

步骤2。设置输入节点 ,隐层节点 ,输出节点 ,根据新特性和其他参数数据集。澄清SOM-BPNN的结构。

步骤3。初始化算法,计算其搜索空间维度 ,和设置参数,如人口和最大迭代次数 。

步骤4。使用SOM-BPNN的特征数据作为输入来计算每个粒子的健身价值。适应度函数的均方误差函数之间的均方误差的实际培训输出和预期的输出。

第5步。计算初始个体最优位置和全局最优位置的算法。

步骤6。丢弃速度的算法,更新位置根据方程(14根据方程(),更新惯性权重15),并更新学习因素根据方程(16),以获得个人和全局最优极值。然后,PSO位置映射到获得最优权重和阈值。

步骤7。带给SOM-BPNN优化权重和阈值,并继续调整,直到满足培养目标。

2.3。d - s证据理论

2.3.1。d - s证据理论的原则

d - s证据理论具有良好的实用性,所以它广泛应用领域的多传感器目标识别(32,33]。其主要特点包括以下:它满足弱条件比贝叶斯概率理论和有能力直接表达“不确定”和“不知道”34]。

定义1。如果是一种有限的样本集和所有命题组是互斥的,准备好了吗被称为识别框架。电源组由所有子集和各种组合的识别框架 ,指出, 。取作为命题的识别框架 。 的基本概率分配函数作为集的映射是哪一个[0,1]。
这个函数 满足下列条件: 在哪里 , 被称为焦点元素,的基本概率赋值吗 ,表示信任的学位 。

定义2。映射 信心上定义的函数吗 ,它反映了完全信任的程度吗 。表达式是 映射 是一个似是而非的函数上定义 ,代表nonfalse信任程度的命题 。这也是一个不确定性的措施,似乎可能的命题 。表达式是 在哪里和代表函数的上限和下限,分别。

定义3。 被定义为命题的信任区间 。 代表的支持证据区间的命题 。 代表拒绝证据区间的命题 。

定义4。d - s证据理论合成规则:让和基本可靠性分布在相同的识别框架并符合下列条件: 然后,结合基本的概率分布函数

2.3.2。基于d - s证据融合的故障诊断

滚动轴承复合故障信号的处理多个传感器获得的AR谱熵,小波包和相关特征值的提取。复合故障诊断进行了通过使用ANVTPSO-SOM-BPNN,和输出作为证据,通过d - s证据理论融合来构造一个新的故障诊断模型。该模型充分利用d - s理论在处理不确定问题的优势和强大的非线性处理能力的神经网络,利用神经网络的自学习能力来解决这个问题,很难得到d - s理论的基本概率赋值。同时,如果没有噪音,目标识别是容易,但在实践中,噪音是不可避免的。因此,使用多个传感器的识别和融合识别结果每个传感器可以提高识别率。

的实现过程,提出了基于d - s证据融合诊断模型如下。

步骤1。获取目标特征向量。收集到的滚动轴承复合故障信号小波包提取的AR谱熵。

步骤2。目标特征向量输入ANVTPSO-SOM-BPNN模型。

步骤3。标准化的诊断输出ANVTPSO-SOM-BPNN模型,与一系列的 ;计算错误之间的实际输出和期望输出诊断模型,如方程所示(22)。每个焦点元素的基本概率值显示在方程(23)。不确定性程度诊断模型的方程所示(24)。 在哪里输出神经元的期望值和吗神经元输出的实际价值。 在哪里每个焦点元素的基本概率;诊断结果;和 。

步骤4。获得最终结果通过multi-information融合证据组合规则。

3所示。实验

3.1。实验数据收集

为了验证的影响滚动轴承复合故障诊断方法基于ANVTPSO-SOM-BPNN结合小波包AR谱熵,实验测试综合实验平台上进行了机械传动系统的故障诊断,如图4。试验台由三相变频电机,转子轴承系统,径向加载装置、平行轴齿轮箱和磁粉制动器。滚动轴承的轴承座的左侧选择转子作为测试的对象。使用轴承模型NSK6205,滚动的元素的数量是9,滚动元素的直径节圆直径是7.94毫米,39.36毫米,接触角吗是0°。

设置电机转速1800 r / min和无载;安装在轴承复合故障的部分座位的故障源。设置轴承座和齿轮箱振动信号采集测量两点,垂直的径向和轴向测量对应点采用灵敏度的加速器103 mV / g (g是重力加速度)。当收集滚动轴承复合故障的振动信号,采样时间设置为1 s,采样率设置为10.24 kHz。共计300组振动加速度信号的收集,包括正常,内圈裂纹和外环裂,内圈裂纹和凹陷滚动元素,外环裂纹和凹陷滚动元素,每种类型有75组。信号样本分为训练集和测试集2:1。

内环和外环是用机器电火花(EDM)加工,和滚动体有1秒坑腐蚀使用TH-RFT300高速激光焊接机。错误如图加工设备5。完成故障轴承如图6。断层的大小如表所示1,故障特征频率如表所示2。

3.2。实验数据分析

3.2.1之上。确定最优小波包分解层数

小波包分解的目的是找到故障特征。因此,信号频率可以取代了故障特征频率。分解层数可以通过方程计算(6),如表所示3。

表3表明,根据不同故障的特征频率部分的轴承、最好的值小波包分解层3 - 5所示。因为复合故障信号是更复杂的比单一故障情况下,为了留住有用的信息的四种类型的轴承振动信号在最大的程度上,在统一分解层次的选择,如果分解层数超过3,内圈信号可能会分解,导致有用的信息的复合故障的损失。经过综合考虑,本文的小波包分解层数是3。

3.2.2。确定最优小波基函数

75组4类型的轴承数据选择,和5种小波基sym8 db4, db5跑车,db8, db10由小波包3层分解,根据公式计算(12)获得小波包总能量的比例和总能量熵对应4类型的轴承数据。为了消除单个信号所造成的不确定影响,各种状态下参数的平均值计算。相应的计算结果如表所示4- - - - - -7。

从表可以看出4和5总能量的比例和总能量熵小波包在测量4类型的轴承的轴承座db10(直接故障点),这是最大的径向和轴向测量的数据点。根据原则,更大的总能量的比例和总能量熵小波包,小波包的分解效果越好,db10被视为最优小波基函数的小波包分解的四种轴承在径向测量信号点和轴承座的轴向测量。从表可以看出6和7总能量的比例的小波包能量熵的四种类型的轴承齿轮测量分db4 db10,分别在径向和轴向数据。同样,db4和db10作为最优小波基函数的小波包分解4类型的轴承信号的变速箱径向测量分和轴向测量分。

3.3。测定ANVTPSO-SOM-BPNN参数

ANVTPSO-SOM-BPNN的参数如表所示8,粒子的空间维度(35),选择最优的节点数量在隐藏层方程所示(25)和(26),分别。

3.4。结果分析

摘要,SOM-BPNN PSO-SOM-BPNN, ANVTPSO-SOM-BPNN用于滚动轴承复合故障诊断,分别。预期的输出状态类别的检测滚动轴承是正常的(1 0 0 0),内圈故障(0 1 0 0),外环故障(0 0 1 0)和滚动体故障(0 0 0 1)。

为了验证本文方法的优点,首先,优化小波基函数和分解层次的小波包AR谱能量熵,提取的特征能量熵,并比较与标准摘要SOM-BPNN验证系列网络有更多的优点比单一网络的收敛速度。其次,PSO-SOM-BPNN相比SOM-BPNN SOM-BPNN验证算法的优化效果。然后,比较3方案摘要ANVTPSO-SOM-BPNN,以上研究的系列优势无监督学习网络和监督学习网络,并验证改进算法在故障诊断结果的影响。最后,收集到的多传感器数据通过ANVTPSO-SOM-BPNN构造用于故障诊断,结果是通过d - s证据理论融合在决策层面,以提高最终的故障诊断速度。

通过振动信号的故障诊断的径向测量分和轴向测量轴承座、诊断结果如表所示9和10,分别。

如表所示9在径向测量轴承座的点,因为他们是接近故障点,有低噪音干扰,采集振动信号的故障特征是显而易见的。因此,使用标准的摘要可以达到100%,故障诊断和迭代步骤的数量只有12。表10提出了在轴向测点,用于故障诊断的标准摘要达到97%,和迭代步骤的数目是135。ANVTPSO-SOM-BPNN方法提出了用于诊断,97%的精度,这是一样的标准的诊断结果摘要,但迭代步骤的数目是81;与前者相比,它减少了54个步骤。

总之,收集到的数据在轴承座的测点少干扰和明显的故障特征,所以基本诊断算法用于径向和轴向数据精度高。然而,在真实的工作环境,由于现场各种因素的影响,是不可能安装传感器采集振动信号接近直接故障点。因此,间接变速箱测点更普遍的符合实际的工作条件。

数据7和8分别展示了均方误差的四种诊断方法测点径向和轴向测点的变速箱的训练次数。的比较滚动轴承复合故障的诊断结果如表所示11和12。

图7表明,摘要,PSO-SOM-BPNN ANVTPSO-SOM-BPNN相交附近50步骤和十字路口前ANVTPSO-SOM-BPNN误差是最小的。十字路口后,摘要总是保持最小误差,直到第二个路口ANVTPSO-SOM-BPNN接近200步。在第二个十字路口,ANVTPSO-SOM-BPNN收敛更快。与摘要之前SOM-BPNN相交,SOM-BPNN错误总是最大的,在分岔点之后收敛更快。从迭代过程的细节,四种方法都已陷入局部最小值在短时间内,导致总迭代步骤的增加,但ANVTPSO-SOM-BPNN执行优于其他方法。图8显示器附近的摘要和SOM-BPNN相交100步。之前的错误摘要十字路口是最小的,但它是比SOM-BPNN容易陷入局部最小值,收敛速度变得缓慢和迭代步骤的总人数增加后的十字路口。之前的交集PSO-SOM-BPNN ANVTPSO-SOM-BPNN,误差是最小的四种方法,和相对陷入局部最小值的数量是最少的。十字路口后,ANVTPSO-SOM-BPNN收敛更快,至少需要迭代步骤达到培训目标。

最重要的是,ANVTPSO-SOM-BPNN具有串联的无监督学习网络和网络监督学习。结合ANVTPSO,变速箱测量分更多的干扰,它可以更快达到培训目标径向和轴向振动信号诊断,证明提出的新方法具有明显的优化效果。

表11和12显示这四个方法的定量数据在径向和轴向测量的变速箱。表11显示,诊断的准确性SOM-BPNN是摘要的高出3%。与SOM-BPNN相比,诊断PSO-SOM-BPNN精度提高了2%,和迭代步骤的数量减少了87人。表12表明诊断的准确性SOM-BPNN是摘要的高出2%。与SOM-BPNN相比,诊断PSO-SOM-BPNN精度提高了2%,和迭代步骤的数量减少了133人。在这两种径向和轴向方向,PSO PSO-SOM-BPNN作为学习的因素 根据经验,而ANVTPSO-SOM-BPNN自适应调整惯性权重和学习因子,所以作为惯性权重 在初始阶段, 在后期,径向因素是学习 和 在以后的阶段,学习因素是轴向 和 在以后的阶段。如上所述,轴承座的轴向学习的因素 和 在以后的阶段。惯性权重和学习因子算法的满足不同阶段的需要适应。经过多次测试,ANVTPSO-SOM-BPNN高于其他方法的准确性,和迭代步骤的数目也有很大优势。表11在径向方向上的礼物,在步骤240年诊断准确率达到92%。表12表明,在轴向方向,在第182步诊断准确率达到96%。

表13和14显示部分的基本概率分布的径向和轴向测量值点后的变速箱ANVTPSO-SOM-BPNN模型的输出结果处理根据公式(22)和公式(23)和不确定性程度的诊断模型根据方程(24)。表15介绍了部分基本概率分布值和不确定性程度的d - s证据融合后的两个计量点。表16诊断结果表明,新提出的ANVTPSO-SOM-BPNN方法本文在径向和轴向测量的变速箱是融合在决策层面,和故障诊断的准确性达到100%。融合后的诊断准确率提高了8%和4%相比,径向和轴向ANVTPSO-SOM-BPNN变速箱,分别。相比与摘要的诊断准确性的径向错点,也达到100%。并与诊断的准确性ANVTPSO-SOM-BPNN在轴向方向上的故障点,提高了3%。总之,证明本文提出的方法可以实现诊断精度高甚至在变速箱测点远离故障点。

4所示。结论

(1)AR谱小波包能量熵的方法可以有效地提取复合材料滚动轴承振动信号的故障特征组件,可以更好的消除干扰和噪声。选择最优小波包分解层和基函数的小波包能量AR谱熵可以避免外部干扰引起的盲目选择(2)自适应惯性权重和学习因子引入到标准PSO算法满足算法参数的需要在不同的阶段,和速度术语被丢弃,避免初始粒子速度的影响算法的收敛速度和解决方案精度,大大提高了算法的搜索速度和收敛精度较传统方法(3)构建ANVTPSO-SOM-BPNN诊断模型。SOM-BPNN避免单个算法的局限性的影响诊断结果,这样的主要网络可以促进二级的培训网络。然后ANVTPSO用于优化的阈值和重量SOM-BPNN避免陷入局部最优解,以提高诊断的准确性(4)在实际工况中,通常对相同的滚动轴承并存多个缺点,和传感器的安装计划也有一个伟大的影响诊断的准确性。本文的数据收集的故障点和故障点进行远离由多个加速度传感器,和该方法基于最优小波包AR谱能量熵结合ANVTPSO-SOM-BPNN用于multi-information融合诊断。通过比较两个计量点的诊断结果,发现即使在变速箱测点远离直接故障点,诊断结果能有效实现高精度和噪音下的滚动轴承复合故障诊断

数据可用性

本文使用的数据是西安科技大学的实验室数据(对应:(电子邮件保护))。

的利益冲突

作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。

确认

我们应感谢江苏Lianyy测量及控制技术有限公司,有限公司,为这项工作提供轴承故障加工服务。这项研究支持部分由中国国家自然科学基金(51605380,51605380)和陕西省自然科学基础研究计划(2021 jm - 391、2019 jlz-08)。