基于自适应数学形态学的滚动轴承故障诊断方法

第２期　２０１２年２月　机械设计与制造　Ｍａｃｈｉｎｅｒｙ　Ｄｅｓｉｇｎ＆Ｍａｎｕｆａｃｔｕｒｅ　１８７　

文章编号：１００１—３９９７（２０１２）０２—０１８７—０２　

基于神经网络的滚动轴承故障诊断方法的研究术　

胡耀斌厉善元胡良斌　

（南华大学机械工程学院，衡阳４２１００１）　

Ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　ｏｆ　ｒｏｌｌｉｎｇ　ｂｅａｒｉｎｇ　ｂａｓｅｄ　ｏｎ　ｎｅｕｒａＩ　ｎｅｔｗｏｒｋ　

ＨＵ　Ｙａｏ－ｂｉｎ，ＬＩ　Ｓｈａｎ－ｙｕａｎ，ＨＵ　Ｌｉａｎｇ－ｂｉｎ　

（Ｓｃｈｏｏｌ　ｏｆ　Ｍｅｃｈａｎｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｕｎｉｖｅｒｓｉｔｙ　ｏｆ　Ｓｏｕｔｈ　Ｃｈｉｎａ，Ｈｅｎｇｙａｎｇ　４２１００１，Ｃｈｉｎａ）　

【摘要】神经网络是一种具有非线性映射能力强以及自学习、自组织、自适应等优点的智能方法，　

非常适合于滚动轴承的故障诊断。针对滚动轴承是机械设备重要的易损零件之一，大约有３０％的故障　

是由轴承损坏引起的，提出了基于神经网络的滚动轴承故障诊断方法。以滚动轴承小波分解后的能量　

信息作为特征，通过神经网络作为分类器对滚动轴承故障进行识别、诊断。实验表明，该方法对于滚动　

轴承的故障诊断具有良好的效果和应用价值，并可方便地推广到其他类似的诊断领域。　

关键词：神经网络；故障诊断；滚动轴承　

【Ａｂｓｔｒａｃｔ】Ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｉｓ　ａ　ｎｏｎ－ｌｉｎｅａｒ　ｉｎｔｅｌｌｉｇｅｎｔ　ｍｅｔｈｏｄ　ｈａｓ　ｔｈｅ　ａｄｖａｎｔａｇｅ　ｏｆ　ａ　ｍａｐｐｉｎｇ　ｃａｐａ—　

ｂｉｌｉｔｙ　ａｎｄ　ｓｅｌｆ－ｌｅａｒｎｉｎｇ，ｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇ，ａｄａｐｔｉｖｅ，ｅｔｃ，ａｎｄ　ｗｈｉｃｈ　ｉｓ　ｉｄｅａｌｆｏｒ　ｒｏｌｌｉｎｇ　ｂｅａｒｉｎｇｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ．　

Ｗｅ　ｐｒｏｐｏｓｅｄ　ａ　ｍｅｔｈｏｄ　ｆｏｒ　ｆａｕｌｔ　ｔｅｓｔｉｎｇ　ｏｎ　ｒｏｌｌｉｎｇ　ｂｅａｒｉｎｇ　ｂａｓｅｄ　ｏｎ　ｎｅｕｒａｌ　ｎｅｔｗｏｒｋ　ｉｎ　ｃｏｎｎｅｃｔｉｏｎ　ｗｉｔｈ　

第６期（总第１５１期）　２００８年１２月　机械工程与自动化　ＭＥＣＨＡＮＩＣＡＬ　ＥＮＧ１ＮＥＥＲＩＮＧ　＆　ＡＵＴ０ＭＡＴＩＯＮ　Ｎｏ．６　Ｄｅｃ．　

文章编号：１６７２—６４１３（２００８）０６—０１００—０２　

基于小波分析的滚动轴承故障诊断方法的研究　

．　管　辉　，陈永会　，李小强。　

（１．太原科技大学，山西　太原０３００２４；２．太原重型机械集团，山西　太原０３００２４）　

摘要：介绍了小波分析的基本理论，并将小波分析应用于轴承的故障诊断。通过对实验数据的分析和处理，提　

取出了故障特征，并准确地对故障进行了定位。这种方法取得了良好的诊断效果，适合于滚动轴承的故障诊断。　

关键词：滚动轴承；故障诊断；小波分析　

中图分类号：ＴＨ１３３．３３：ＴＨ１６５　．３　文献标识码：Ａ　

０　引言　传统的滚动轴承故障诊断方法有频域分析法和时　

域分析法，它们对滚动轴承的分步式故障有很好的诊　

断效果，但是对于局部缺陷的应用效果不太理想，尤　

其是在故障的初期。近年来，新的诊断方法不断涌现，　

其中包括小波分析方法。它能同时提供振动信号的时　

域和频域的局部化信息，还具有多尺度性和“数学显　

微”特性，这些特性使得小波分析能够识别振动信号　

中的突变信号。本文就是使用小波分析技术对检测的　

信号进行变换，然后对故障特征的信号进行重构，然　

后通过希尔伯特变换进行调解和细化频谱分析，从而　

检测出轴承中的故障信息，并判断发生故障的部位。　１小波分析基本理论　

１．１　小波变换的定义　小波（Ｗａｖｅｌｅｔ），即小区域的波，是一种特殊的长　

度有限的平均值为０的波形。小波函数的确切定义为：　

设　（￡）为一平方可积函数，即　（ｆ）∈Ｌ。（Ｒ），若其傅　

里叶变换　（ｚ　）满足条件：　

Ｃ　一ｆ　ｄ　＜。。。……………（１）　丢　ｌ训　

即称　（ｆ）为一个基本小波或小波母函数。将小波母函　

数ｋｒｒ（ｔ）进行伸缩和平移，就可以得到函数　．　（ｆ）：　

ｒ一去　（　）…ＥＲ，ａ＞。。…．（２）　

第58卷第3期2018年5月大连理工大学学报JournalofDalianUniversityofTechnologyVol.58,No.3

May2018

文章编号:1000-8608(2018)03-0238-08

基于自适应数学形态学的滚动轴承故障诊断方法

齐咏生*1, 张双龙1, 高胜利2, 李永亭1, 王 林1

(1.内蒙古工业大学电力学院,内蒙古 呼和浩特010080;

2.内蒙古北方龙源风力发电有限责任公司,内蒙古 呼和浩特010050)

摘要:作为一种非线性信号处理方法,数学形态学法对信号的特征提取完全在时域中进行,

与其他非线性非平稳的信号处理方法相比,它具有幅值不偏移、不衰减等显著优点.基于此,

提出一种自适应的数学形态学和谱相关分析相结合的轴承故障诊断方法.该方法通过基于信

号的三角结构元素和非单一形态学开闭运算对已知故障信号加以训练,自适应得到各故障类

型的结构元素高和最优开闭运算加权因子,构建形态学模型;之后将测试信号通过形态学模

型进行特征提取,并与训练信号进行频域内相关性分析;最终根据相关系数大小识别故障.以

西储大学轴承故障数据为例,表明了该方法不仅能识别出不同类型的故障,而且还能识别不

同损伤等级的故障,相比传统的方法识别率和可靠性有所提高.

关键词:滚动轴承;自适应数学形态学;三角结构元素;相关性分析:故障诊断

中图分类号:TH133.33文献标识码:Adoi:10.7511/dllgxb201803003

收稿日期:2017-09-15; 修回日期:2018-03-10.基金项目:国家自然科学基金资助项目(61763037,21466026);内蒙古自治区自然科学基金资助项目(2017MS0601).作者简介:齐咏生*(1975-),男,博士,教授,硕士生导师,E-mail:qyslyt@.0 引 言

滚动轴承是各种旋转机械的关键部件之一,

其健康状况影响整个机械系统的运行.鉴于对滚

第５期　２０１２年５月　机械设计与制造　

Ｍａｃｈｉｎｅｒｙ　Ｄｅｓｉｇｎ＆Ｍａｎｕｆａｃｔｕｒｅ　２３９　

文章编号：１００１—３９９７（２０１２）０５—０２３９—０２　

一种基于聚类的滚动轴承故障诊断方法术　

曹苏群侯志伟刘磊　（淮阴工学院机械工程学院，淮安２２３００３）　

Ａ　ｒｏｌｌｉｎｇ　ｂｅａｒｉｎｇ　ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ　ｍｅｔｈｏｄ　ｂａｓｅｄ　ｏｎ　ｃｌｕｓｔｅｒｉｎｇ　

ＣＡＯ　Ｓｕ－ｑｕｎ，ＨＯＵ　Ｚｈｉ－ｗｅｉ，ＬＩＵ　Ｌｅｉ　（Ｆａｃｕｌｔｙ　ｏｆ　Ｍｅｃｈａｎｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ，Ｈｕａｉｙｉｎ　Ｉｎｓｔｉｔｕｔｅ　ｏｆ　Ｔｅｃｈｎｏｌｏｇｙ，Ｈｕａｉ’ａｎ　２２３００３，Ｃｈｉｎａ）　

【摘要】近年来，机器学习技术在故障智能诊断领域得到了广泛的应用，聚类作为最主要的无监　

督学习技术在基于机器学习的故障智能诊断中占有重要的地位。滚动轴承故障诊断中，传统的频谱分　

析法通常采用共振解调技术，但当内圈、滚动体或多点故障时，产生复合调制，从解调谱线很难分辨故　

障类型。针对此，提出了一种新的基于模糊聚类的滚动轴承故障诊断方法，该方法以模糊Ｆｉｓｈｅｒ准则为　

聚类目标，通过对待测样本与已知状态样本数据聚类，求得待测样本隶属度，进而判断滚动轴承的故障　

类型。实验结果表明该方法是有效的。　关键词：故障诊断；模糊聚类；Ｆｉｓｈｅｒ准则　

【Ａｂｓｔｒａｃｔ】／ｎ　ｒｅｃｅｎｔ　ｙｅａｒｓ，ｍａｃｈｉｎｅ　ｌｅａｒｎｉｎｇ　ｔｅｃｈｎｉｑｕｅｓ　ｈａｖｅ　ｂｅｅｎ　ｗｉｄｅｌｙ　ｕｓｅｄ　ｉｎｆａｕｌｔ　ｉｎｔｅｌｌｉｇｅｎｔ　ｄｉ－　

ａｇｎｏｓｉｓ　ｆｉｅｌｄ．Ｃｌｕｓｔｅｒｉｎｇ，　ａ　ｍａｊｏｒ　ｕｎｓｕｐｅｒｖｉｓｅｄ　ｌｅａｒｎｉｎｇ　ｔｅｃｈｎｏｌｏｇｙ，ｏｃｃｕｐｉｅｓ　ａｎ　ｉｍｐｏｒｔ　ｐｏｓｉｔｉｏｎ　ｉｎｆａｉｌｕｒｅ　ｉｎｔｅｌｌｉｇｅｎｔ　ｄｉａｇｎｏｓｉｓ　ｂａｓｅｄ　ｏｎ　ｍａｃｈｉｎｅ　ｌｅａｒｎｉｎｇ．Ｉｎ　ｒｏｌｌｉｎｇ　ｂｅａｒｉｎｇ　ｆａｕｌｔ　ｄｉａｇｎｏｓｉｓ，ｔｈｅ　ｔｒａｄｉｔｉｏｎａｌ　ｓｐｅｃｔｒｕｍ