[发明专利]基于第二代小波变换与BP神经网络的轴承故障的诊断方法

说明书

技术领域

本发明属于机械设备故障诊断领域，涉及一种基于第二代小波变换与BP神经网络的轴承故障的诊断方法。

背景技术

滚动轴承是旋转机械中重要的零部件之一，但由于加工工艺、工作环境等原因造成其损坏率高、寿命的随机性较大。据不完全统计，滚动轴承类故障大约占到旋转机械故障总数占30％，所以掌握滚动轴承的工作状态以及故障的形成和发展，对于保障旋转机械正常工作至关重要，是目前机械故障诊断领域中重要研究方向之一。

目前常用的轴承故障诊断方法有机理分析和智能诊断两种方法。机理分析诊断方法是针对轴承振动信号进行分析与诊断方法，这类方法不需要故障样本，适合单一故障的检测诊断，但是这类方法要求使用人员必须掌握较多的专业知识才能作出准确的判断。相比机理分析的方法，智能诊断方法则不需要使用人员具有很深的专业基础，诊断过程和结果简便直观，可以诊断单一故障也可诊断混合多故障情况，但该方法需要有尽量多的完备故障样本。因此两类方法实质是优势互补的。智能诊断方法有专家系统、人工神经网络、分形几何等，本发明选择应用较多的神经网络作为轴承的智能诊断方法。

但是神经网络方法由于其理论本身原因，在实际应用中存在一些问题与不足而制约了它的泛化与推广性能，例如初值选取、隐含层结构与节点数选取等问题。关于神经网络的改进方法已有大量的研究成果，要想进一步针对神经网络本身进行改进提高诊断效果，可以说难度较大。为此，本发明考虑从其他方面入手来研究改进提高神经网络的分类诊断效果，例如可以考虑提高神经网络输入端的信号质量，即提高神经网络输入特征的可分性等。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于第二代小波变换与BP神经网络的轴承故障的诊断方法，通过第二代小波变换与BP神经网络相结合的技术，实现轴承故障的高精度分类与诊断。其输入特征可分性强、维数低、故障诊断BP神经网络规模小、网络模型鲁棒性强，有效提高了轴承故障诊断的效率与准确性。

技术方案

一种基于第二代小波变换与BP神经网络的轴承故障的诊断方法，其特征在于步骤如下：

步骤1、采用第二代小波变换对传感器测量的轴承对传感器测量的轴承原始振动信号序列x＝(x_i)进行分解，得到分解信号s＝s⁽⁰⁾+U(d)，

其中：i＝0,1…L，L表示数据长度；s⁽⁰⁾为分解产生的偶样本序列，d为分解产生的细节信号，U(·)为第二代小波变换中点更新器，为更新器系数的个数；

步骤2、对分解后的信号s提取时域特性和频域特性组成联合特征集，再对提取的联合特征集采用特征评估方法构成敏感特征集；

步骤3、将敏感特征集作为BP神经网络的输入，构造BP网络的结构，采用已知样本对网络进行训练以建立基于BP神经网络的故障诊断模型，采用该故障诊断模型对机械设备的健康状态进行诊断识别。

所述步骤1中采用第二代小波变换对传感器测量的轴承对传感器测量的轴承原始振动信号序列x＝(x_i)进行分解为三步：