基于小波包分解和BP神经网络的轴承故障诊断

叶瑞召，李万红

(1. 洛阳轴研科技股份有限公司，河南 洛阳 471039；2. 河南科技大学 机电工程学院，河南 洛阳 471003)

滚动轴承是机械设备的关键部件，直接关系到整台设备的安全运行，实时监控轴承的状况并对其故障进行诊断受到了研究人员的广泛关注。轴承的故障诊断主要包括两个步骤：(1)从原始的轴承振动信号中提取某些特征；(2)利用人工智能的方法对所提取的特征进行判断，以确定轴承是否存在故障。

对振动信号的分析和特征的提取，可以采用时域法、频域法以及时-频域法[1-8]，由于轴承的振动信号是复杂且不稳定的，仅仅通过时域或频域分析的方法很难实现故障诊断。小波变换是一种时-频域分析方法，其在时频的局部化和可变时频窗的特点，适合分析轴承损伤故障信号等非稳态信号，但对于包含背景噪声的信号，小波包难以完全排除噪声的干扰。神经网络有处理复杂模式及进行联想、推测和记忆的优点[9]，因此，将小波包分解与神经网络相结合，利用小波包分解得到的各频带的能量构造特征向量，将特征向量输入神经网络进行训练和故障诊断。

1 小波包分解提取特征向量

小波包分解实质上是对信号的多带通滤波，一般来说，正常状态与故障状态下轴承振动信号的各频带成分不同，其在各个频率范围内的能量分布也不同。因此，可以对轴承振动信号进行小波包分解，再对系数进行重构，并将重构信号的能量作为特征向量，输入BP神经网络进行训练和测试。……