1、隨著現(xiàn)代工業(yè)規(guī)模的不斷擴(kuò)大和系統(tǒng)復(fù)雜度的日益提高，電機(jī)軸承被越來越多的應(yīng)用在工業(yè)生產(chǎn)中，因此，對電機(jī)軸承進(jìn)行有效精確的故障診斷便成為了一項十分有意義的科研課題。本文在基于數(shù)據(jù)驅(qū)動的基礎(chǔ)上，提出基于集合經(jīng)驗?zāi)B(tài)分解(EEMD)-改進(jìn)的局部均值分解(ILMD)-改進(jìn)萬有引力搜索算法(IGSA)-增量概率神經(jīng)網(wǎng)絡(luò)(IPNN)的電機(jī)軸承故障診斷集合方法，以此提高電機(jī)軸承故障診斷的精確性。
　　本文全部的試驗數(shù)據(jù)都來自美國凱斯西儲大學(xué)軸承實

2、驗中心。而在工業(yè)生產(chǎn)中，由于電機(jī)軸承的工作環(huán)境往往十分嘈雜，再加上受到其他設(shè)備本身振動的干擾，使得其振動信號含有噪聲，因此，要對采集的數(shù)據(jù)進(jìn)行預(yù)處理，減低噪聲。傳統(tǒng)的降噪方法不能很好的對非平穩(wěn)、非線性的數(shù)據(jù)進(jìn)行降噪，本文采用對于非平穩(wěn)非線性信號有很強(qiáng)分解能力的EEMD算法，通過計算相關(guān)系數(shù)并設(shè)定閾值，對數(shù)據(jù)進(jìn)行降噪預(yù)處理。故障提取方面，針對LMD存在的端點效應(yīng)問題，提出改進(jìn)LMD方法對數(shù)據(jù)進(jìn)行分解以改善端點效應(yīng)影響，并計算乘積函數(shù)分量的

3、樣本熵和能量作為特征參數(shù)，組成故障特征向量，作為故障診斷神經(jīng)網(wǎng)絡(luò)的輸入。故障診斷方法采用基于統(tǒng)計原理的前饋型神經(jīng)網(wǎng)絡(luò)IPNN，IPNN不需要設(shè)置初始權(quán)值，訓(xùn)練簡潔，分類能力強(qiáng)。由于故障診斷中，網(wǎng)絡(luò)模型的參數(shù)會對診斷性能有著重大影響，故本文采用基于時變權(quán)重和邊界變異的改進(jìn)GSA優(yōu)化算法對網(wǎng)絡(luò)模型的閾值進(jìn)行優(yōu)化，以改善標(biāo)準(zhǔn)GSA算法收斂速度較慢且容易陷入到局部最優(yōu)狀態(tài)等缺點，提高分類結(jié)果的精確性。
　　通過理論研究和實驗結(jié)果可以表明，