EEMD结合概率神经网络的风力机轴承故障诊断研究.docx

EEMD结合概率神经网络的风力机轴承故障诊断研究
随着现代工业的发展，风力机被大量应用于风能发电行业。但由于长期工作引起的机器磨损、电气故障等问题时常会影响到风力机的正常运行，尤其是轴承故障会导致早期失效和维护成本增加。针对这一问题，本文研究了EEMD结合概率神经网络的轴承故障诊断问题。
1.前言
轴承被广泛应用于各种旋转力学系统中，是机械设备的核心部件之一。然而，由于长期使用引起的磨损、电气故障等问题，轴承故障成为影响机器性能和寿命的重要因素之一。故障的预测和分类可以帮助维护人员及时发现故障，减少设备维修和损坏。
2.方法及步骤
2.1数据采集和预处理
本次实验使用了一个银行机的轴承故障数据，数据是由一组传感器从机器内部采集得到的，每100ms记录一次。我们需要对数据进行一定的预处理，包括去噪和降维。这里采用了基于小波变换的EEMD方法，因为它可以自适应地提供多个尺度下的噪声信息，从而得到更有效的特征提取，以提高故障的探测精度。
2.2特征提取
利用道格拉斯-佩克福德(DPCA)方法对数据进行主成分分析，提取信号的变化趋势和轨迹。然后使用自适应高斯混合模型(AGMM)进行特征提取，将每个信号压缩到一个小的特征向量中。以此为基础，可以使用小波分解来得到故障频率和占比，进一步确定诊断模型的特征数量。
2.3建立模型
在特征提取之后，我们就可以构建诊断模型了。这里我们采用了基于概率神经网络(PNN)的方法来对不同情况进行分类。PNN人工神经网络在处理分类问题时，有着很好的性能和精度。PNN的设计方法是基于贝叶斯规则，通过学习历史样本数据的概率分布，训练出可靠的分类模型。
3.结果分析
在实验中，我们分别测试了不同的修姜和分类方法。结果表明，采用EEMD方法可以有效地降噪并提高故障信号的解析度。另外，与其他诊断方法相比，采用PNN方法的轴承故障诊断模型在准确率和召回率熟练下表现最好，可用于轴承故障的实时监测和故障诊断。
4.总结
综上所述，本文研究了EEMD和PNN的结合应用于风力机轴承故障诊断问题中，实验结果表明，该方法可以有效地提高轴承故障诊断的准确度和可靠性，可用于风力机轴承的实时监测和故障诊断。本文的研究方法，可以对其他机械故障诊断问题提供一些有益的参考意见。