基于小波包和BBO-RBFNN的滚动轴承故障诊断  

Fault Diagnosis of Rolling Bearing Based on Wavelet Packet and BBO-RBF

作　　者：张晴[1] 高军伟[1,2] 张彬[1] 毛云龙[1] 董宏辉[2] 

机构地区：[1]青岛大学自动化与电气工程学院,山东青岛266071 [2]北京交通大学轨道交通控制与安全国家重点实验室,北京100044

出　　处：《工业控制计算机》2017年第8期83-84,122,共3页Industrial Control Computer

摘　　要：为了提高诊断滚动轴承故障的效率和准确率,将小波包分解(Wavelet Packet Decomposition,WPD)、径向基函数神经网络(Radical Basis Function Neural Network,RBFNN)和生物地理学优化算法(Biogeography-Based Optimization,BBO)三者结合起来,提出了一种基于小波包和BBO-RBFNN的故障诊断模型。首先,由小波包的分解与重构在滚动轴承故障原始信号中提取有效的故障特征向量。其次,利用生物地理学优化算法优化RBFNN,然后训练和诊断滚动轴承信号的故障类型。运用MATLAB软件把采集的数据进行了仿真,由MATLAB仿真结果可得,生物地理学优化算法的引入使得轴承故障诊断的适应度和准确率更高。A new system of fault diagnosis which combines wavelet packet decomposition（WPD） with radical basis function neural network（RBFNN） and biogeography-based optimization（BBO） algorithm is designed in this paper,and a fault diagnosis model based on WPD and BBO-RBF is put forward.Firstly,the fault characteristic vectors of original rolling bearing fault signals are effectively obtained by wavelet packet decomposition and reconstruction.Secondly,the RBFNN is optimized by BBO algorithm,the fault types of rolling bearing are trained and diagnosed next.

关 键 词：小波包分解 生物地理学优化算法 RBF神经网络 轴承故障诊断 

分 类 号：TH133.33[机械工程—机械制造及自动化] TP18[自动化与计算机技术—控制理论与控制工程]