基于EMD及改进PSO_BP的电机轴承故障诊断

针对电机轴承故障模式识别和分类问题，提出了采用EMD（Empirical Mode Decomposition）作为振动信号特征提取的方法，并利用改进的粒子群优化（Particle Swarm Optimization，PSO）算法来优化BP神经网络，得到性能优异的分类器，以实现电机轴承的故障模式分类。首先利用EMD将原始电机振动信号分解为8个阶次的IMF(Intrinsic Mode Function)分量，计算每个IMF的能量，并求其占比。分析得到前6阶IMF能量占比在前99%以内，故选取前6阶IMF分量并结合原始振动信号的时域特征参数（峰值因子、波形因子、裕度指标），得到9维特征参数矩阵。并对获得的特征参数进行主成分分析，以验证特征参数提取的有效性。然后将基于EMD方法的特征参数矩阵作为改进PSO_BP（Particle Swarm Optimization with Back Propagation Neural Network）方法的输入向量，对不同载荷与转速工况下的电机轴承进行故障模式识别。结果表明，基于EMD和改进PSO_BP的方法能够很好地提高电机轴承故障模式识别的准确率。

Fault Diagnosis of Motor Bearing Based on EMD and Improved PSO_ BP