科研之友
微信
新浪微博
Facebook
分享链接
摘要
在轴承多通道振动信号中，由于多通道故障信息不平衡会导致轴承故障诊断精度降低。针对这一问题，提出了一种考虑多通道故障信息不平衡的，基于多元经验模态分解（MEMD）的轴承故障特征提取与诊断方法。首先，分析了传统MEMD随机选择映射方向的缺陷，设计了依据通道间故障信息不平衡度自适应调整映射方向的策略，使分量信号中包含更多故障信息，并基于多元模态分解结果构造了特征空间；然后，基于冗余属性投影法对多通道提取的故障特征进行了融合，得到了多通道融合的本质故障特征；最后，采用反向传播（BP）神经网络进行了故障模式识别，设计了三层神经网络结构，且使用误差反向传播法进行了参数训练，并制定了基于BP神经网络的轴承故障诊断流程。研究结果表明：改进MEMD提取特征的类边界比传统方法更加明确，说明改进方法能够提取更具代表性的故障特征；从诊断精度看，与传统多元模态分解方法、完备集成辛几何分解方法相比，改进MEMD方法的诊断准确率最高，达到了99.5%。实验结果验证了改进方法在多通道故障诊断中是可行的，且从诊断精度上看，其具有一定的先进性。
- 单位
