本文针对船舶机械轴承故障预测问题，首先进行轴承典型故障的数学模型转化，然后提出一种基于模态分解算法和小波神经网络算法的故障预测方法，利用小波变换对轴承振动信号进行特征提取，构建一个多层感知的神经网络模型和较准确的轴承故障预测模型。最后，通过实验验证了该方法的有效性和准确性，具有一定的实用价值。
Aiming at the problem of ship mechanical bearing failure prediction, this paper first transforms the mathematical model of typical bearing faults, and then proposes a fault prediction method based on modal decomposition algorithm and wavelet neural network algorithm, which uses wavelet transform to extract the characteristics of bearing vibration signals, and constructs a multilayer perception neural network model and a more accurate bearing failure prediction model. Finally, the effectiveness and accuracy of the proposed method are verified by experiments, which has high practical value.
2023,45(18): 119-122 收稿日期：2023-05-04
DOI：10.3404/j.issn.1672-7649.2023.18.020
分类号：U664.2
基金项目：2021年度教育部课题（202102128062）；2023年度武昌工学院横向课题（HX2023017）。
作者简介：姚远(1977-),女,副教授,研究方向为大数据软件等
参考文献：
[1] 贾萌珊, 齐子元, 薛德庆, 等. 基于GASA-BP-BiLSTM的轴承故障预测研究[J]. 组合机床与自动化加工技术, 2023(5): 148−151+155.
[2] 朱伏平, 秦琴, 杨方燕, 等. 基于信息融合技术的滚动轴承故障预测方法[J]. 机械设计, 2023, 40(1): 56-64.
[3] 刘桂然. 基于BP-神经网络的风电主轴承故障预测[J]. 科学技术创新, 2020(26): 18-19.
[4] 李泓洋, 万烂军, 李长云, 等. 基于神经网络和证据理论的滚动轴承故障预测方法[J]. 湖南工业大学学报, 2020, 34(4): 35-41.
