针对变负载情况下滚动轴承故障信息难以提取、故障诊断精度低等问题,提出了一种基于包络谱灰色关联度的集合经验模态分解(EEMD)、核主元分析(KPCA)与径向基神经网络(RBF)相结合的滚动轴承故障诊断方法。该方法首先采用包络谱灰色关联度算法选择EEMD分解后的有效IMF分量,并对IMF分量进行加权,然后计算出加权后IMF分量的能量、峭度、偏度组成特征集,最后采用KPCA对特征集进行降维并将去除冗余后的特征集输入RBF中进行故障程度识别,实验结果表明此方法可以在变负载情况下有效的实现滚动轴承的故障程度的识别。 上式中，ui是隐含层神经元的输出；ci是隐含层结点高斯函数的中心向量本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name；iδ是隐含层结点的标准化常数变负载下滚动轴承-数控倒角机液压倒角机张家港滚圆机滚弧机折弯机；最后，输出层的输出为：(7)上式中，yk是输出层输出，W是隐含层到输出层的权值向量，q是隐含层神经元个数，kθ是隐含层的阈值。4实验4.1单一负载下故障程度识别为了验证本文提出的在变负载情况下滚动轴承故障程度识别方法的有效性，采用了来自美国凯斯西储大学电气工程与计算机科学系的实验室数据[15]。实验装置如图1所示。图1实验装置在图1的左边是实验的电机，中间是扭矩传感器，右边是测力计。数据是电机在负载0hp、1hp、2hp、3hp下取得的单点故障；分别有三种故障位置（内圈、外圈、滚动体故障）下的损伤直径为0.18mm、0.35mm、0.54mm数据与正常数据，上述振动信号数据组成本次实验的原始数据。选负载为2hp数据，对三种故障位置的故障程度分别进行识别。识别前，分别取三种故障位置的10组数据（每组数据包含正常与不同故障程度数据）为样本，以便得到每种故障位置的全局关联IMF个数K。识别流程如图2所示。图3中，依次是滚动体正常以及三种故障程度（从上到下依次为正常与0.18mm、0.35mm、0.54mm损伤直径）的原始振动信号。从上图的时域信号中难以提取有用的故障信息，所以本文先用EEMD分解信号，计算滚动体原始信号的包络谱与其IMF分量包络谱的灰色关联度，选出有效的IMF分量。表3滚动体原始信号包络谱与其IMF分量包络谱的关联度IMF分量变负载下滚动轴承-数控倒角机液压倒角机张家港滚圆机滚弧机折弯机本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name