基于小波包分解和PSO-BPNN的滾動(dòng)軸承故障診斷

鞠晨， 張超， 樊紅衛(wèi)，3， 張旭輝，3， 楊一晴， 嚴(yán)楊

(1.神華神東煤炭集團(tuán)有限責(zé)任公司 技術(shù)研究院， 陜西 神木 719315；2.西安科技大學(xué) 機(jī)械工程學(xué)院， 陜西 西安 710054；3.西安科技大學(xué) 陜西省礦山機(jī)電裝備智能監(jiān)測(cè)重點(diǎn)實(shí)驗(yàn)室， 陜西 西安 710054)

0 引言

煤礦旋轉(zhuǎn)機(jī)械工作載荷時(shí)變，常伴隨沖擊信號(hào)，致使其滾動(dòng)軸承故障頻發(fā)，約占煤礦機(jī)械故障的30%[1-2]，嚴(yán)重影響煤礦生產(chǎn)安全，因此對(duì)煤礦旋轉(zhuǎn)機(jī)械滾動(dòng)軸承進(jìn)行故障診斷具有重要意義。滾動(dòng)軸承故障診斷過(guò)程主要包括信號(hào)特征提取和故障類型識(shí)別兩部分，有效的信號(hào)特征提取是故障準(zhǔn)確識(shí)別的基礎(chǔ)。

煤礦旋轉(zhuǎn)機(jī)械實(shí)際運(yùn)行工況復(fù)雜，采集的滾動(dòng)軸承振動(dòng)信號(hào)常表現(xiàn)為非平穩(wěn)、非線性[3-4]。常規(guī)的信號(hào)特征提取一般采用時(shí)頻分析方法，如傅里葉變換、小波變換等。但傅里葉變換難以適用于非平穩(wěn)信號(hào)；小波變換存在高頻部分疏漏問(wèn)題，易出現(xiàn)信號(hào)分析不完全導(dǎo)致信號(hào)有效特征丟失的問(wèn)題[5]。小波包分解是在小波變換的基礎(chǔ)上發(fā)展起來(lái)的，能適應(yīng)非平穩(wěn)信號(hào)，對(duì)信號(hào)的全頻帶進(jìn)行更精細(xì)的分析，提高信號(hào)分辨率[6]。張猛等[7]利用小波包分解在全頻段對(duì)滾動(dòng)軸承振動(dòng)信號(hào)進(jìn)行多層次的頻帶分解，增強(qiáng)故障沖擊信號(hào)，能較好地提取軸承早期故障特征。郭偉超等[8]對(duì)軸承振動(dòng)信號(hào)進(jìn)行小波包分解，得到不同頻率區(qū)間的子頻帶能量作為特征向量，并結(jié)合主成分分析方法對(duì)特征向量進(jìn)行降維，獲得增強(qiáng)的故障特征。

在故障類型識(shí)別方面，BP神經(jīng)網(wǎng)絡(luò)(Back Propagation Neural Network，BPNN)因具有優(yōu)良的多維函數(shù)非線性映射能力及較強(qiáng)的任意復(fù)雜模式的分類能力而得到廣泛應(yīng)用[9-10]。……