基于經(jīng)驗(yàn)?zāi)B(tài)分解的滾動(dòng)軸承故障診斷方法

1、中國(guó)機(jī)械工程第15卷第10期2004年5月下半月基于經(jīng)驗(yàn)?zāi)B(tài)分解的滾動(dòng)軸承故障診斷方法楊 宇 于德介 程軍圣湖南大學(xué)機(jī)械與汽車工程學(xué)院,長(zhǎng)沙,410082摘要:提出了一種基于經(jīng)驗(yàn)?zāi)B(tài)分解的滾動(dòng)軸承故障診斷方法,并定義了能量熵的概念。從不同狀態(tài)的滾動(dòng)軸承振動(dòng)信號(hào)的能量熵值中發(fā)現(xiàn),當(dāng)滾動(dòng)軸承發(fā)生故障時(shí),各頻帶的能量會(huì)發(fā)生變化。為了進(jìn)一步對(duì)滾動(dòng)軸承的狀態(tài)和故障類型進(jìn)行分類,再?gòu)娜舾蓚€(gè)包含主要故障信息的IMF分量中提取能量特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù)來(lái)識(shí)別滾動(dòng)軸承的故障類型。對(duì)滾動(dòng)軸承的正常狀態(tài)、內(nèi)圈故障和外圈故障振動(dòng)信號(hào)的分析結(jié)果表明,以經(jīng)驗(yàn)?zāi)B(tài)分解為預(yù)處理器提取各頻帶能量作為特征參數(shù)的神經(jīng)網(wǎng)絡(luò)診

2、斷方法比以小波包分析為預(yù)處理器的神經(jīng)網(wǎng)絡(luò)診斷方法有更高的故障識(shí)別率,可以準(zhǔn)確、有效地識(shí)別滾動(dòng)軸承的工作狀態(tài)和故障類別。關(guān)鍵詞:滾動(dòng)軸承;經(jīng)驗(yàn)?zāi)B(tài)分解;能量熵;神經(jīng)網(wǎng)絡(luò);故障診斷中圖分類號(hào):TH115 文章編號(hào):1004 132 (2004)10 0908 04RollerBearingFaultDiagnosisMethodBasedonEMDYangYu YuDejie ChengJunshengHunanUniversity,Changsha,410082Abstract:RollerbearingfaultdiagnosismethodbasedonEmpiricalModeDecomp

3、osition(EMD)wasputforwardandtheconceptofEMDenergyentropywasintroduced.Theanalysisresultsfromenergyen tropyofdifferentvibrationsignalsshowthattheenergyofaccelerationvibrationsignalwillvaryindifferentfrequenciesbandswhenbearingfaultsoccured.Toidentifyrollerbearingfaultpatterns,energyfeaturepa rameters

4、extractedfromanumberofIMFswhichcontainedmainfaultinformationscanbeservedasinputparametersoftheneuralnetworktoidentifyfaultpatterns.Theanalysisresultsfromrollerbearingsignalswithinner-raceandout-racefaultsshowthatthediagnosisapproachofneuralnetworkbasedonEMDextractingenergyofdifferentfrequenciesbands

5、asfeaturesissuperiortothatbasedonwaveletpacketde compositionandreconstructionandwouldidentifyrollerbearingfaultpatternsaccuratelyandeffectively.Keyworks:rollerbearing;EMD(EmpiricalModeDecomposition);energyentropy;neuralnetwork;faultdiagnosis楊 宇 講師0 引言當(dāng)滾動(dòng)軸承發(fā)生故障時(shí),其振動(dòng)信號(hào)表現(xiàn)出非平穩(wěn)特征,如何從非平穩(wěn)振動(dòng)信號(hào)中提取故障特征信息是滾動(dòng)軸承

6、故障診斷的關(guān)鍵。小波分析能同時(shí)提供振動(dòng)信號(hào)在時(shí)域和頻域上的特征,因而在滾動(dòng)軸承故障診斷中得到了廣泛的應(yīng)用1,2。但小波變換本質(zhì)上是窗口可調(diào)的傅里葉變換3,由于小波基長(zhǎng)度有限,因此在對(duì)信號(hào)進(jìn)行時(shí)頻分析時(shí),會(huì)產(chǎn)生能量泄漏。且一旦選擇了小波基和分解尺度,則所得到的結(jié)果是某一固定頻帶的信號(hào),即該頻帶范圍只與信號(hào)的采樣頻率有關(guān),而與信號(hào)本身無(wú)關(guān),從這一點(diǎn)上來(lái)講,小波分析不具有自適應(yīng)性4。近年來(lái),Huang等5提出了一種新的信號(hào)分析方法 經(jīng)驗(yàn)?zāi)B(tài)分解收稿日期:2003 07 04基金項(xiàng)目:國(guó)家自然科學(xué)基金資助項(xiàng)目(50275050);高等學(xué)校博士學(xué)科點(diǎn)專項(xiàng)科研基金資助項(xiàng)目(20020532024)(emp

7、iricalmodedecomposition,EMD),該方法基于信號(hào)的局部特征時(shí)間尺度,可把信號(hào)分解為若干個(gè)固有模態(tài)函數(shù)(IMF)之和,分解出的各個(gè)IMF分量突出了數(shù)據(jù)的局部特征,對(duì)其進(jìn)行分析可以更準(zhǔn)確有效地把握原數(shù)據(jù)的特征信息。此外,由于每一個(gè)IMF所包含的頻率成分不僅僅與采樣頻率有關(guān),而且更為重要地是它還隨著信號(hào)本身的變化而變化,因此EMD方法是一種自適應(yīng)的信號(hào)分析方法,它從根本上擺脫了傅里葉變換的局限性,具有很高的信噪比,非常適用于非平穩(wěn)、非線性過(guò)程。本文將EMD方法應(yīng)用于滾動(dòng)軸承的故障診斷中,提出了一種基于EMD的滾動(dòng)軸承故障診斷方法,并定義了EMD能量熵的概念。另外,本文應(yīng)用BP

8、網(wǎng)絡(luò)對(duì)滾動(dòng)軸承的工作狀態(tài)進(jìn)行了研究,并將EMD方法與小波包分析方法進(jìn)行了比較分析?；诮?jīng)驗(yàn)?zāi)B(tài)分解的滾動(dòng)軸承故障診斷方法 楊 宇 于德介 程軍圣1 EMD方法EMD方法從本質(zhì)上講是對(duì)一個(gè)信號(hào)進(jìn)行平穩(wěn)化處理,其結(jié)果是將信號(hào)中不同尺度的波動(dòng)或趨勢(shì)逐級(jí)分解出來(lái),產(chǎn)生一系列具有不同特征尺度的數(shù)據(jù)序列,每一個(gè)序列稱為一個(gè)固有模態(tài)函數(shù)IMF。EMD方法假設(shè)任何信號(hào)都由不同的IMF組成,每個(gè)IMF可以是線性的,也可以是非線性的,IMF分量必須滿足下面兩個(gè)條件: 其極值個(gè)數(shù)和過(guò)零點(diǎn)數(shù)相同或最多相差一個(gè); 其上下包絡(luò)線關(guān)于時(shí)間軸局部對(duì)稱。這樣任何一個(gè)信號(hào)就可以分解為有限個(gè)IMF之和,而IMF可以按以下方法 篩選

9、 (Sift)獲得:(1)確定信號(hào)x(t)的所有局部極值點(diǎn),將所有極大值點(diǎn)用三次樣條線連接起來(lái)形成上包絡(luò)線,將所有極小值點(diǎn)用三次樣條線連接起來(lái)形成下包絡(luò)線,這兩條包絡(luò)線包絡(luò)了所有的信號(hào)數(shù)據(jù)。(2)將兩條包絡(luò)線的均值記為 1,求出y1(t)=x(t)- 1(1)主成分分析方法。圖1為滾動(dòng)軸承外圈有故障時(shí)的振動(dòng)加速度動(dòng)信號(hào),圖2為其EMD分解圖,共有22個(gè)IMF分量,此處只給出了前9個(gè)IMF分量。從圖中可以看出,EMD把信號(hào)分解成了若干個(gè)IMF分量之和,不同的IMF分量包含了不同的時(shí)間尺度,可以使信號(hào)的特征在不同的分辨率下顯示出來(lái)。圖1具有外圈故障的滾動(dòng)軸承振動(dòng)加速度信號(hào)(3)判斷y1(t)是否為

10、IMF,若y1(t)不滿足IMF條件,則將y1(t)作為原始數(shù)據(jù),重復(fù)步驟(1)、(2),直到y(tǒng)1(t)滿足IMF條件為止。此時(shí),記y1(t)=c1(t),則c1(t)為信號(hào)x1(t)的第一個(gè)IMF分量,它代表信號(hào)x1(t)中最高頻率的分量。(4)將c1(t)從x1(t)中分離出來(lái),得到一個(gè)去掉高頻分量的差值信號(hào)r1(t),即r1(t)=x(t)-c1(t)(2)將r1(t)作為原始數(shù)據(jù),重復(fù)(1)、(2)和(3),得到第二個(gè)IMF分量c2(t),重復(fù)n次,得到n個(gè)IMF分量。這樣就有r1-c2=r2rn-1-cn=rn(3)圖2 具有外圈故障的滾動(dòng)軸承故障振動(dòng)信號(hào)的EMD分解結(jié)果2 EMD能

11、量熵當(dāng)滾動(dòng)軸承發(fā)生不同類型的故障時(shí),會(huì)激起相應(yīng)的固有頻率,此時(shí)故障振動(dòng)信號(hào)的能量隨頻率的分布情況會(huì)產(chǎn)生變化。為了描述滾動(dòng)軸承故rn(t)(4)當(dāng)cn(t)或rn(t)滿足給定的終止條件(通常使rn(t)成為一個(gè)單調(diào)函數(shù))時(shí),循環(huán)結(jié)束,由式(2)和式(3)可得到x(t)=i=1ci(t)+n式中,rn(t)為殘余函數(shù),代表信號(hào)的平均趨勢(shì)。障振動(dòng)信號(hào)的能量隨頻率分布的變化情況,本文定義了EMD能量熵。設(shè)采用EMD方法對(duì)滾動(dòng)軸承振動(dòng)信號(hào)x(t)進(jìn)行分解后得到n個(gè)IMF分量c1(t),c2(t), ,cn(t)和一個(gè)殘留量rn,n個(gè)IMF分量的能量分別為E1,E2, ,En,由于EMD分解的正交性,在

12、忽略殘留量rn的情況下,n個(gè)IMF分量的能量之和應(yīng)等于原始信號(hào)的總能量。因?yàn)閚個(gè)IMF分量而各IMF分量c1(t),c2(t), ,cn(t)分別包含了信號(hào)從高到低不同頻率段的成分,每一頻率段所包含的頻率成分都是不同的,且隨信號(hào)本身的變化而變化。通常,EMD方法分解出來(lái)的前幾個(gè)IMF分量往往集中了原信號(hào)中最顯著、最重要的信息,從這個(gè)角度上講,EMD方法就是一種新的中國(guó)機(jī)械工程第15卷第10期2004年5月下半月c1(t),c2(t), ,cn(t)分別包含了不同的頻率成分,則E=E1,E2, ,En形成了滾動(dòng)軸承振動(dòng)信號(hào)能量在頻率域的一種劃分,則相應(yīng)的EMD能量熵定義為HEN=-i=1絡(luò)的滾動(dòng)

13、軸承故障診斷方法框圖見圖4。振動(dòng)信號(hào)層EMD分解層特征向量提取層神經(jīng)網(wǎng)絡(luò)訓(xùn)練層故障模式分類層圖4 基于EMD和神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷框圖pilgpin(5)(1)振動(dòng)信號(hào)層 實(shí)測(cè)的加速度振動(dòng)信號(hào)中除了具有反映有關(guān)滾動(dòng)軸承本身的工作狀態(tài)信息外,還包含了大量的機(jī)械設(shè)備中其他運(yùn)動(dòng)部件和結(jié)構(gòu)的信息,這些信息對(duì)于研究滾動(dòng)軸承本身的工況與故障來(lái)說(shuō)屬于背景噪聲,由于背景噪聲往往比較大,所以輕微的滾動(dòng)軸承故障的信息常常淹沒(méi)在背景噪聲中,難以提取出來(lái)。因此在提取故障特征向量前有必要對(duì)振動(dòng)信號(hào)進(jìn)行預(yù)處理,以突出故障信息,提高信噪比。(2)EMD分解層 當(dāng)滾動(dòng)軸承存在局部故障時(shí),在軸承運(yùn)動(dòng)過(guò)程中,軸承的其他零件

14、會(huì)間斷地撞擊故障部位,產(chǎn)生沖擊力,從而激勵(lì)軸承座或其它機(jī)械零部件產(chǎn)生共振,形成一系列沖擊振動(dòng),這些沖擊振動(dòng)的出現(xiàn)使原來(lái)的平穩(wěn)振動(dòng)信號(hào)變成了非平穩(wěn)振動(dòng)信號(hào)。EMD方法的主要特點(diǎn)就是能夠?qū)Ψ瞧椒€(wěn)、非線性過(guò)程中的數(shù)據(jù)進(jìn)行平穩(wěn)化和線性化處理,并在分解的過(guò)程中保留數(shù)據(jù)的本身的特性,因此可采用EMD方法對(duì)振動(dòng)信號(hào)進(jìn)行預(yù)處理,把非平穩(wěn)振動(dòng)信號(hào)分解為一系列具有不同特征尺度的平穩(wěn)信號(hào)。由于這種分解是自適應(yīng)的,因而更能反映故障的本質(zhì)信息?？紤]到滾動(dòng)軸承的故障信息主要在高頻帶,因此擬從前8個(gè)IMF式中,pi為第i個(gè)IMF分量的能量占整個(gè)信號(hào)能量的百分比,pi=Ei/E,i=1,2, ,n;E為整個(gè)信號(hào)能量,E=i=

15、1Ei。圖3示出了正常狀態(tài)、具有外圈故障和具有n內(nèi)圈故障的滾動(dòng)軸承振動(dòng)加速度信號(hào)。分別對(duì)它們進(jìn)行EMD分解,求出EMD能量熵見表1?？梢钥闯?由于正常的滾動(dòng)軸承振動(dòng)信號(hào)在各個(gè)頻率帶的能量分布比較均勻,能量分布的不確定性較大,因此能量熵比較大。當(dāng)滾動(dòng)軸承發(fā)生外圈故障時(shí),激起了固有頻率,能量主要分布在固有頻率段,能量分布的不確定性相對(duì)減少,因而能量熵也隨之降低;當(dāng)滾動(dòng)軸承發(fā)生內(nèi)圈故障時(shí),會(huì)激起更高的固有頻率,沖擊更加嚴(yán)重,能量更加集中在固有頻率段,因此能量熵最小。1.正常狀態(tài) 2.具有外圈故障 3.具有內(nèi)圈故障圖3 正常狀態(tài)的滾動(dòng)軸承振動(dòng)加速度信號(hào)表1 滾動(dòng)軸承振動(dòng)信號(hào)的EMD能量熵正常1.949

16、9外圈故障1.5217內(nèi)圈故障1.1492分量中提取故障特征信息。(3)特征向量提取層 經(jīng)EMD分解后的各IMF分量分別代表了一組特征尺度下的平穩(wěn)信號(hào),由上述計(jì)算的EMD能量熵值可清楚地看出,各頻帶能量的變化就表征了滾動(dòng)軸承的故障情況,因此,擬選取各尺度下(即各IMF分量)的能量作為網(wǎng)絡(luò)的特征向量來(lái)識(shí)別滾動(dòng)軸承的工作狀態(tài)與故障類型。基于EMD的能量特征提取步驟如下:(1)對(duì)原始振動(dòng)信號(hào)進(jìn)行EMD分解,選取包含主要故障信息的前8個(gè)IMF分量;(2)求各IMF分量的能量Ei;Ei=由上述分析可以看出,基于EMD的能量熵值基本上能夠真實(shí)地反映滾動(dòng)軸承的工作狀態(tài)及故障部位,但是僅僅從EMD能量熵值的大

17、小來(lái)區(qū)分和判別滾動(dòng)軸承的工作狀態(tài)和故障部位是不夠的,還需要做進(jìn)一步的分析。3 基于EMD和神經(jīng)網(wǎng)絡(luò)的滾動(dòng)軸承故障診斷方法由以上分析可知,不同工作狀態(tài)和故障類型的滾動(dòng)軸承振動(dòng)信號(hào)的EMD能量熵值具有明顯區(qū)別,這說(shuō)明滾動(dòng)軸承發(fā)生故障時(shí),各IMF分量的能量會(huì)發(fā)生變化,因此本文采用各IMF分量的能量特征參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入?yún)?shù),從而可有效地對(duì)滾動(dòng)軸承工作狀態(tài)進(jìn)行分類?；贓MD和神經(jīng)網(wǎng)+ -|ci(t)|2dt i=1,2, ,8(6)(3)以能量為元素構(gòu)造一個(gè)特征向量TT=E1,E2,E3,E4,E5,E6,E7,E8考慮到能量數(shù)值往往較大,為便于后續(xù)分析與處理,可對(duì)T進(jìn)行改進(jìn),即對(duì)向量進(jìn)行歸一化

18、處理。令凸輪型線優(yōu)化模板設(shè)計(jì)及動(dòng)力學(xué)特性預(yù)測(cè) 郝志勇 彭 禹8E=(i=1|Ei|2)1/2(7)據(jù)網(wǎng)絡(luò)輸出確定測(cè)試樣本的狀態(tài)類別。則T =E1/E,E2/E,E3/E,E4/E,E5/E,E6/E,E7/E,E8/E(8)4 實(shí)驗(yàn)結(jié)果本次實(shí)測(cè)的軸承為6311型滾動(dòng)軸承,實(shí)驗(yàn)時(shí)軸的轉(zhuǎn)頻為25Hz,采樣頻率為4096Hz,振動(dòng)信號(hào)由安裝在軸承座上的加速度傳感器來(lái)拾取,故障是通過(guò)激光切割在內(nèi)圈或外圈上開槽來(lái)設(shè)置的,槽寬為0 15mm,槽深為0 13mm。由于實(shí)驗(yàn)條件的限制而未能在滾動(dòng)體上設(shè)置故障。分別測(cè)取滾動(dòng)軸承三種模式下的振動(dòng)信號(hào)各15組數(shù)據(jù),在三種數(shù)據(jù)中,分別隨機(jī)抽出10組數(shù)據(jù)作為樣本數(shù)據(jù),將

19、剩下的數(shù)據(jù)作為測(cè)試數(shù)據(jù)。對(duì)原始振動(dòng)信號(hào)進(jìn)行EMD分解,選取包含主要故障信息的前8個(gè)IMF分量,并按頻率成分由高到低的順序排列為c1(t),c2(t), ,c8(t),按式(6)式(8)求出故障特征參數(shù)T ;采用BP網(wǎng)絡(luò)進(jìn)行分類,網(wǎng)絡(luò)結(jié)構(gòu)為3層,分別將正常軸承和外圈、內(nèi)圈有故障的軸承的T 作為神經(jīng)網(wǎng)絡(luò)的輸入,隱層包括18個(gè)隱節(jié)點(diǎn),輸出分別對(duì)應(yīng)正常、外圈故障和內(nèi)圈故障3種模式,即網(wǎng)絡(luò)結(jié)構(gòu)為8 18 3。每種模式分別用10組樣本進(jìn)行訓(xùn)練,訓(xùn)練截止誤差為1 10-4,其中BP訓(xùn)練算法的學(xué)習(xí)速率為0 12,網(wǎng)絡(luò)訓(xùn)練至收斂。用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試樣本進(jìn)行分類識(shí)別,結(jié)果網(wǎng)絡(luò)全部成功識(shí)別。限于篇幅原因,表2

20、只給出了基于EMD預(yù)處理的3個(gè)測(cè)試樣本(分別對(duì)應(yīng)三種模式)的識(shí)別結(jié)果。向量T 即為歸一化后的向量。(4)神經(jīng)網(wǎng)絡(luò)訓(xùn)練層 采用理論最為成熟、應(yīng)用最為廣泛的BP網(wǎng)絡(luò)。在進(jìn)行網(wǎng)絡(luò)設(shè)計(jì)時(shí),首先要確定網(wǎng)絡(luò)的總層數(shù)和各層單元數(shù),輸入層單元數(shù)由特征參數(shù)個(gè)數(shù)確定,輸出層單元數(shù)由狀態(tài)數(shù)和狀態(tài)編碼方式確定,隱層一般為一層,問(wèn)題復(fù)雜時(shí)可取兩層,隱層單元數(shù)的選取目前尚無(wú)理論依據(jù),可根據(jù)經(jīng)驗(yàn)和使用情況確定;然后用各種狀態(tài)樣本組成訓(xùn)練樣本集,對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,確定各單元間連接權(quán)值。通過(guò)訓(xùn)練,訓(xùn)練樣本的各種狀態(tài)以權(quán)值的形式分布存儲(chǔ)于網(wǎng)絡(luò)之中,每一狀態(tài)都是由所有權(quán)值來(lái)綜合反映的,這種分布或全息式存儲(chǔ)方式賦予了神經(jīng)網(wǎng)絡(luò)診斷模型較

21、強(qiáng)的容錯(cuò)性和魯棒性,當(dāng)測(cè)試樣本具有誤差或噪聲干擾時(shí)也能進(jìn)行正確地診斷和分類。(5)故障模式分類層 神經(jīng)網(wǎng)絡(luò)輸出中的神經(jīng)元數(shù)由故障模式數(shù)決定。受實(shí)驗(yàn)條件限制,此次實(shí)驗(yàn)只測(cè)取了內(nèi)圈和外圈有故障的滾動(dòng)軸承及正常滾動(dòng)軸承的振動(dòng)信號(hào)。因此,輸出矩陣的狀態(tài)編碼如下:正常軸承1,0,0;外圈故障軸承0,1,0;內(nèi)圈故障軸承0,0,1。在上述BP網(wǎng)絡(luò)訓(xùn)練完畢后,用訓(xùn)練好的網(wǎng)絡(luò)對(duì)測(cè)試樣本進(jìn)行檢驗(yàn)識(shí)別,即把測(cè)試樣本的特征參數(shù)作為網(wǎng)絡(luò)輸入,根信號(hào)類型123正常外圈故障內(nèi)圈故障預(yù)處理器EMDEMDEMDE10.91330.93830.9536E20.32820.67470.33990.27300.24850.5836

22、E3E4表2 基于EMD或小波包分析的滾動(dòng)軸承故障識(shí)別結(jié)果E50.09170.15940.00890.01590.02650.2748E60.05570.33500.00480.05600.02030.4416E70.03600.23020.00290.00660.00900.0644E80.03550.24910.00230.00750.00120.0690網(wǎng)絡(luò)輸出(0.9624,0.0412,0.0393)(0.8854,0.0291,0.2713)(0.0894,0.9405,0.0010)(0.0663,0.7591,0.4267)(0.0038,0.0043,0.9376)(0.07

23、84,0.3987,0.7589)0.17300.12070.20590.20900.05680.02690.77330.42530.14990.07140.45000.21990.45380.37830.3565采用Daubechies10(D10)對(duì)振動(dòng)信號(hào)進(jìn)行三層小波包分解,得到第三層8個(gè)頻帶的小波包分解系數(shù),分別重構(gòu)第三層8個(gè)頻帶的小波包分解系數(shù)以構(gòu)成8個(gè)新的時(shí)間序列,同樣,按頻率成分由高到低的順序排列為c1(t),c2(t), ,C8(t),再按式(6)式(8)分別提取8個(gè)重構(gòu)序列的能量作為特征向量對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,訓(xùn)練過(guò)程同上。用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)測(cè)試樣本進(jìn)行分類識(shí)別,網(wǎng)絡(luò)識(shí)別準(zhǔn)確率

24、為93%。限于篇幅原因,表2亦只給出了基于小波包預(yù)處理的3個(gè)測(cè)試樣本(分別對(duì)應(yīng)三種模式)的識(shí)別結(jié)果。雖然以EMD或小波包分析對(duì)振動(dòng)信號(hào)作預(yù)處理再提取各頻帶下的能量作為網(wǎng)絡(luò)特征參數(shù)的方法均可識(shí)別故障軸承,但縱觀全表,基于EMD提取能量特征參數(shù)的網(wǎng)絡(luò)方法有比基于小波包分析的網(wǎng)絡(luò)方法更高的網(wǎng)絡(luò)識(shí)別能力,這是由于小波包分解是非自適應(yīng)性的,即分解后的各頻帶范圍并不隨振動(dòng)信號(hào)的變化而變化。而EMD分解是依據(jù)信號(hào)本身的信息進(jìn)行的自適應(yīng)分解,即其(下轉(zhuǎn)第920頁(yè))中國(guó)機(jī)械工程第15卷第10期2004年5月下半月炳和,男,1972年生。西北工業(yè)大學(xué)機(jī)電學(xué)院副教授。(上接第911頁(yè))分解過(guò)程依賴于信號(hào)本身包含的變

25、化信息,因而對(duì)故障信息更為敏感。5 結(jié)論圖8 硅微加速度計(jì)的SEM照片滾動(dòng)軸承工作狀態(tài)不同,振動(dòng)信號(hào)的EMD能量熵值就不同,這說(shuō)明滾動(dòng)軸承發(fā)生故障時(shí),各頻帶的能量發(fā)生了變化。因此,可采用各IMF分量的能量作為神經(jīng)網(wǎng)絡(luò)的特征參數(shù)來(lái)對(duì)滾動(dòng)軸承的工作狀態(tài)進(jìn)行分類。理論分析和試驗(yàn)結(jié)果表明,本文提出的基于EMD來(lái)提取能量特征參數(shù)的故障診斷方法可以有效識(shí)別滾動(dòng)軸承工作狀態(tài)和故障類型。當(dāng)采用基于EMD的各頻帶能量作為神經(jīng)網(wǎng)絡(luò)特征向量時(shí),具有比基于小波包分析的神經(jīng)網(wǎng)絡(luò)更高的識(shí)別能力。參考文獻(xiàn):1 LingJing,QuLiangsheng.FeatureExtractionBasedonMorletWavel

26、etandItsApplicationforMechani calFaultDiagnosis.JournalofSoundandVibration,2000,234(1):1351482 PeterWT,PengYH,RichardY.WaveletAnalysisandEnvelopeDetectionforRollingElementBearingFaultDiagnosis-TheirEffectivesandFlexibilities.JournalofVibrationandAcoustics,2000,123(3):3033103 鐘佑明,秦樹人,湯寶平.一種振動(dòng)信號(hào)新變換法的研

27、究.振動(dòng)工程學(xué)報(bào),2002,15(2):2332384 張賢達(dá),保錚.非平穩(wěn)信號(hào)分析與處理.北京:國(guó)防工業(yè)出版社,19985 HuangNE,ShenZ,LongSR.TheEmpiricalModeDecompositionandtheHilbertSpectrumforNonlinearandNon-StationaryTimeSeriesAnalysis.Proc.R.Soc.Lond.A,1998,454(12):903995(編輯 郭 偉)作者簡(jiǎn)介:楊 宇,女,1971年生。湖南大學(xué)機(jī)械與汽車工程學(xué)院講師、博士研究生。研究方向?yàn)闄C(jī)械故障診斷及測(cè)控技術(shù)。發(fā)表論文10余篇。于德介,男,1957年生。湖南大學(xué)機(jī)械與汽車工程學(xué)院教授、博士研究生導(dǎo)師。程軍圣,男,1968年生。湖南大學(xué)機(jī)械與汽車工程學(xué)院副教授、博士研究生。3 結(jié)論自頂向下設(shè)計(jì)與自底向上修正的雙向集成設(shè)計(jì)方法有效地解決了微機(jī)電系統(tǒng)的多學(xué)科交叉問(wèn)題,提高了設(shè)計(jì)效率。同時(shí)所構(gòu)建的集成設(shè)計(jì)平臺(tái)MEMSGardenV3.0為不同工程背景的用戶提供系統(tǒng)級(jí)、器件級(jí)和工藝級(jí)三個(gè)參數(shù)化的設(shè)計(jì)入口,提高了平臺(tái)的實(shí)用性。在該平臺(tái)上設(shè)計(jì)的微慣性器件已進(jìn)行流片驗(yàn)證。參考文獻(xiàn):1 李志