论文部分内容阅读
针对电机轴承故障模式识别和分类问题,提出了采用EMD(Empirical Mode Decomposition)作为振动信号特征提取的方法,并利用改进的粒子群优化(Particle Swarm Optimization,PSO)算法来优化BP神经网络,得到性能优异的分类器,以实现电机轴承的故障模式分类.首先利用EMD将原始电机振动信号分解为8个阶次的IMF(Intrinsic Mode Function)分量,计算每个IMF的能量,并求其占比.分析得到前6阶IMF能量占比在前99％以内,故选取前6阶IMF分量并结合原始振动信号的时域特征参数(峰值因子、波形因子、裕度指标),得到9维特征参数矩阵.并对获得的特征参数进行主成分分析,以验证特征参数提取的有效性.然后将基于EMD方法的特征参数矩阵作为改进PSO_BP(Particle Swarm Opti-mization with Back Propagation Neural Network)方法的输入向量,对不同载荷与转速工况下的电机轴承进行故障模式识别.结果表明,基于EMD和改进PSO_BP的方法能够很好地提高电机轴承故障模式识别的准确率.