胡泽;张智博;王晓杰;吴雨宸;谢心蕊;针对滚动轴承振动信号特征提取有效性差以及传统BP神经网络识别率低的问题,提出一种将希尔伯特-黄变换(HHT)、列文伯格-马夸尔特(LM)算法和BP神经网络相结合的滚动轴承故障识别方法。该方法首先利用经验模态分解(EMD)、相关函数得到几个能充分表征原始信号信息的IMF分量,计算它们的能量特征,构成第一种特征向量组。将这几个IMF分量进行Hilbert变换,得到Hilbert边际谱,将边际谱区域变化能量特征作为第二种特征向量组。将两种特征向量组合在一起输入到LM算法优化的BP神经网络中进行训练和测试,进而实现故障的分类。结果表明,该方法能有效提取出轴承的故障特征信息,并且能准确的识别出不同的故障。
2020年01期 No.207 11-18页 [查看摘要][在线阅读][下载 1797K]