摘 要

机械装备对于我们的生产生活非常重要。近年来，随着机械设备性能和复杂性的不断提高，设备的故障诊断和预测研究逐渐受到人们的重视，其对于设备能否安全稳定的工作具有重要意义，而传统的故障诊断与预测技术预测精度低，不能尽早发现故障的趋势，已经无法满足现代智能装备的实际运行需求。所以本文以物流装备中应用最为广泛，也容易出现故障的零部件滚动轴承作为研究对象，设计了一种基于BP神经网络，使用小波包变换算法，对滚动轴承故障部位进行预测的方法。该方法主要由信号处理构建特征向量和训练神经网络进行故障预测两个部分组成。

滚动轴承的振动信号一般是时变、冲击信号，而小波包变换对这种信号处理效果很好，通过小波包变换将信号进行分解，得到每个频段的特征信息，然后对它们进行重构得到重构信号，从而可以求得每个频段的能量值，构成特征向量，然后将这些样本向量分为训练数据集和测试数据集。BP神经网络是一种可以自主学习的智能算法，能挖掘出特征向量与故障位置之间的联系，所以使用训练集对神经网络进行训练，得到最优的权值和阈值，然后将测试集输入到最优网络结构中，便可以得到预测的输出。

本研究实验部分使用python对西安交通大学轴承加速实验公开数据进行处理并建立BP神经网络模型，完成了故障预测的实验，结果表明本文设计的方法能够达到期望的预测效果，验证了本方法的合理性。

关键词：滚动轴承；故障预测；BP神经网络；小波包变换算法

Abstract

Mechanical equipment is very important to our production and life. In recent years, with the enhancement of the performance and complicacy of mechanical installation, the research on fault diagnosis and prediction of equipment has been increasingly emphasized, which has important significance for the safety and stability of equipment. However, the traditional fault diagnosis and prediction technology has low prediction accuracy and cannot find the trend of failure as soon as possible, and it has been unable to meet the actual operation requirements of modern intelligent equipment. Therefore, this paper takes the rolling bearing which is the most extensively applied and easy to fail in the logistics equipment as the study objectives, and designs a method based on wavelet packet transform algorithm and BP neural network to predict the fault position of rolling bearing. This method is mainly composed of two parts: signal processing to construct feature vectors and training neural network for fault prediction.

The vibration signals of rolling bearings are usually time-varying and shock signals, and the wavelet packet transform is very effective to this kind of signal processing. The signal is resolved by wavelet packet transform to get the feature of each frequency range, and then reconstructed them to get the reconstructed signal. The energy value of every frequency range can be obtained to form the eigenvector, and then these sample vectors are divided into a training data set and a test data set. BP neural network is an intelligent algorithm which can study by itself, which can mine the connection between the feature vector and the fault location, so neural network is trained by training set to obtain the optimal weights and thresholds, and then the test set is input to the optimal network structure, you can get the predicted output.

BP neural network model is proposed via python based on the XJTU-SY Rolling Element Bearing Accelerated Life Test Datasets, on the basis of which the experiment of fault prediction is carried out. The result indicates that the method devised in this research can achieve the expected prediction effect, which validates the rationality of the method.

Key Words：Rolling bearing；Fault prediction；BP neural network；Wavelet packet transform algorithm

目 录

第1章 绪论 1

1.1 研究背景及研究意义 1

1.1.1 研究背景 1

1.1.2 研究意义 1

1.2 故障预测的国内外研究现状 2

1.3 物流设备物理构造及研究对象选择 4

1.3.1 物流设备物理构造及常见故障 4

1.3.2 故障预测研究对象选择 5

1.4 本文的主要研究内容及章节安排 5

第2章 滚动轴承的故障机理分析及其特性 8

2.1 滚动轴承的结构 8

2.2 滚动轴承的故障类型 8

2.3 滚动轴承的振动机理和特征频率 10

2.3.1 轴承的振动机理 10

2.3.2 轴承的故障频率 11

2.4 本章小结 12

第3章 故障特征提取理论基础 13

3.1 傅里叶变换 13

3.2 小波分析理论 14

3.2.1 连续小波变换 15

3.2.2 离散小波变换 15

3.3 多分辨率分析 16

3.4 小波包理论 17

3.5 基于小波包的滚动轴承故障特征提取 18

3.6 本章小结 19

第4章 BP神经网络算法及改进 20

4.1 BP神经网络结构与工作原理 20

4.1.1 神经元模型 20

4.1.2 BP神经网络结构 21

4.1.3 BP神经网络的训练过程 22

4.2 改进BP神经网络 25

4.3 算例分析 26

4.4 本章小结 28

第5章 基于优化BP神经网络的轴承故障预测 29

5.1 实验数据获取 29

5.1.1 实验平台及数据采集 29

5.1.2 数据选择 31

5.2 数据处理及模型训练方法 33

5.2.1 通过小波包变换提取能量特征 34

5.2.2 训练集与测试集构造 39

5.2.3 BP神经网络模型的训练 40

5.3 测试结果及分析 41

5.4 本章小结 42

第6章 经济环境分析 43

第7章 总结与展望 44

7.1 总结 44

7.2 展望 44

参考文献 46

附录A：程序源代码 48

附录B：特征向量样本 54

附录C：样本预测结果 67

致谢 70

第1章 绪论

1.1 研究背景及研究意义

1.1.1 研究背景

工程技术的发展使得我们对机械设备的性能和生产力的要求不断提高，越来越多的设备需要向规模化、集成化发展。由于设备结构不断变的复杂，价格也不断上涨，确保系统稳定性、故障预测和健康管理等研究逐渐得到关注。当前的维护方式主要还是定期维护，而预防措施仍然较为传统，以增加检修次数为主，这导致了资源浪费而且无法避免故障有可能在维修维护间隔中产生^[1]。因此，故障预测技术逐渐成为各国研究的热点。美国、加拿大等国很早就将故障预测技术应用到飞机的健康状态监测中，并逐渐发展到航空航天领域，日本的三菱公司也在对旋转机械的故障预测技术进行研究，并开发出了相应的终端。在国内，很多科研人员也在从事相关研究。近年来，故障预测技术作为一项新兴技术，获得了国家自然科学基金的重点资助，而且成为了国家科学技术发展规划关注的主要内容之一^[2]。

故障预测技术通过对设备过去运行状态和现状的分析，发现设备后续的发展趋势，为设备的高效安全运行保驾护航，同时可以根据预测趋势制定科学的维修计划。该项技术主要包含了数据采样、信号处理、趋势预测和策略分析。首先通过监测装置采集设备的振动信号，然后提取能表征设备故障信息的特征值，接着选择适当的方法对设备故障趋势进行预测，最后根据设备故障类型及时采取措施并拟定具体的维修方案。