基于改进Elman神经网络的故障诊断模型研究

针对高频易损坏的常见机械设备,常存在故障特征量"表征难",诊断精度欠缺且判断时间长等问题.提出一种优化Elman神经网络故障诊断的模型,以凯斯西储大学轴承数据(CWRU)为实例,在诊断效果方面具有一定的改善.鉴于,滚动轴承常见的故障振动信号多呈现出非线性、非平稳的特征.首先,应用希尔伯特-黄变换(HHT)对原始信号数据进行分解、降维、变换,从而提取出对故障信号敏感且故障频率易辨别的包络谱作为表征故障的特征量.接着,通过改进Elman神经网络,在网络输入对应位置增加时延,其长度可根据输入特征维度不同而改变.最终,建立故障诊断模型.诊断结果可清晰直观的展现出该模型在诊断精度及学习效率方面具有很好的提升.