留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于小波包分解和PSO-BPNN的滚动轴承故障诊断

鞠晨 张超 樊红卫 张旭辉 杨一晴 严杨

鞠晨,张超,樊红卫,等.基于小波包分解和PSO-BPNN的滚动轴承故障诊断[J].工矿自动化,2020,46(8):70-74..  doi: 10.13272/j.issn.1671-251x.2019120022
引用本文: 鞠晨,张超,樊红卫,等.基于小波包分解和PSO-BPNN的滚动轴承故障诊断[J].工矿自动化,2020,46(8):70-74..  doi: 10.13272/j.issn.1671-251x.2019120022
JU Chen, ZHANG Chao, FAN Hongwei, et al. Rolling bearing fault diagnosis based on wavelet packet decomposition and PSO-BPN[J]. Industry and Mine Automation, 2020, 46(8): 70-74. doi: 10.13272/j.issn.1671-251x.2019120022
Citation: JU Chen, ZHANG Chao, FAN Hongwei, et al. Rolling bearing fault diagnosis based on wavelet packet decomposition and PSO-BPN[J]. Industry and Mine Automation, 2020, 46(8): 70-74. doi: 10.13272/j.issn.1671-251x.2019120022

基于小波包分解和PSO-BPNN的滚动轴承故障诊断

doi: 10.13272/j.issn.1671-251x.2019120022
基金项目: 

国家自然科学基金资助项目(51974228,51605380)

陕西省自然科学基础研究计划项目(2019JLZ-08)

陕西省重点研发计划项目(2019GY-093,2018ZDCXL-GY-06-04)

陕西省科技创新团队项目(2018TD-032)。

详细信息
  • 中图分类号: TD67

Rolling bearing fault diagnosis based on wavelet packet decomposition and PSO-BPN

  • 摘要: 针对现有煤矿旋转机械滚动轴承故障诊断方法存在信号有效特征提取不完全、故障诊断精度不高及效率低等问题,提出了一种基于小波包分解和粒子群优化BP神经网络的滚动轴承故障诊断方法。该方法包括信号特征提取和故障类型识别两部分:在信号特征提取部分,对采集的滚动轴承振动信号进行小波包分解,得到各子频带能量及信号总能量,经归一化处理后获得表征滚动轴承状态的特征向量;在故障类型识别部分,通过粒子群优化算法优化BP神经网络的初始权值和阈值,以加速网络收敛速度,避免陷入局部极小值。实验结果表明,该方法提高了滚动轴承故障诊断效率和准确率。

     

  • 加载中
计量
  • 文章访问数:  176
  • HTML全文浏览量:  33
  • PDF下载量:  16
  • 被引次数: 0
出版历程
  • 刊出日期:  2020-08-20

目录

    /

    返回文章
    返回