烟店轴承找临清森信轴承制造有限公司!专业生产调心滚子轴承,热线电话134-7588-1531

临清森信轴承制造有限公司

专注生产调心滚子轴承

森信轴承热线电话134-7588-1531
栏目导航
联系我们
服务热线
0635-2311009
热线:134-7588-1531
座机:134-7588-1531
邮箱:382360109@qq.com
当前位置:临清森信 > 行业新闻 >
液压泵轴承故障诊断网络法研
浏览: 发布日期:2018-12-27
在航空工业中,液压系统(system)的工作(job)性能直接影响着飞机的安全和旅客的生命,而液压泵(Hydraulic pumps)是液压系统的动力源,因此对 液压泵 的状态监控与故障(fault)诊断尤为重要。轴承(bearing)故障是液压泵常见的故障模式之一,由于轴承故障所引起的附加振动(vibration)相对于 液压泵 的固有振动较弱,因而很难把故障信息从信号中分离开来。到目前为止,对液压泵轴承故障的故障诊断尚缺少十分有效的方法(method)。本文提出在频域和倒频域进行特征提取,旨在解决轴承特征提取困难的问题并利用集成BP网络解决多故障诊断与识别和鲁棒性问题。
  1、液压泵(Hydraulic pumps)轴承故障的特征提取
  对于机械(machinery)系统(system)而言,如有故障(fault)则一定会引起系统的附加振动。振动信号是动态信号,它包含的信息丰富,很适合进行故障诊断。但是如果附加振动信号由于固有信号或外界干扰对故障信号的干扰很大而淹没,那么如何从振动信号中提取有用信号就显得十分关键(解释:比喻事物的重要组成部分)。
  根据摩擦学理论,当轴承(bearing)流动面的内环、外环滚道及滚柱上出现一处损伤,滚道的表面平滑受到破坏,每当滚子滚过损伤点,都会产生一次振动(vibration)。假设轴承零件为刚体,不考虑接触变形的影响,滚子沿滚道为纯滚。
  Hilbert变换用于信号分析中求时域信号的包络,以达到对功率谱进行平滑从而突出故障信息。定义信号:为最佳包络。倒谱包络模型(model)实质是对从传感器获得的信号进行倒频谱分析,然后对其倒频谱信号进行包络提取,从而双重性地突出了故障信息,为信噪比小的故障特征的提取提供了依据。
  2、集成BP网络进行故障(fault)诊断的原理
  神经网络的组织结构(Structure)是由求解问题的领域特征决定的。烟店轴承润滑对于轴承具有很重要的意义,轴承中的润滑剂不仅可以降低摩擦阻力,还能起到散热、减小接触应力、吸收振动、防止锈蚀的作用。由于故障诊断系统(system)的复杂性,将神经网络应用于障诊断系统的设计中,将是大规模神经网络的组织和学习问题。为了减少工作(job)的复杂性,减少网络的学习时间,本文将故障诊断知识集合分解为几个逻辑上独立的子集合,每个子集合再分解为若干规则子集,然后根据规则子集来组织网络。每个规则子集是一个逻辑上独立的子网络的映射,规则子集间的联系,通过子网络的权系矩阵表示。各个子网络独立地运用BP学习算法分别进行学习训练。由于分解后的子网络比原来的网络规模小得多且问题局部(part)化了,从而使训练时间大为减少。利用集成BP网络进行液压(hydraulic)泵轴承(bearing)故障诊断的信息处理能力源于神经元的非线性机理特性(characteristic])和BP算法。
  3、神经网络(Network)鲁棒性的研究
  神经网络(Network)的鲁棒性是指神经网络对故障的容错能力。临清森信轴承制造有限公司当轴的中心线与轴承座中心线不重合而有角度误差的时候,或因轴受力而弯曲或倾斜时,会造成轴承的内外圈轴线发生偏斜。这时,应采用有一定调心性能的调心轴承或带座外球面球轴承。众所周知,人脑具有容错特性(characteristic]),大脑中个别神经元的损伤不会使它的总体性能发生严重的降级,这是因为大脑中每一概念并非只保存在一个神经元中,而是散布于许多神经元及其连接之中。大脑可以通过再次学习,使因一部分神经元的损伤而淡忘的知识重新表达在剩余的神经元中。由于神经网络是对生物神经元网络的模拟,所以神经网络的最大特征是具有“联想记忆”功能,即神经网络可以由以往的知识组合,在部分信息丢失或部分信息不确定的条件(tiáo jiàn)下,用剩余的特征信息做出正确的诊断。
  表2给出了 轴承 6个特征信息中某些输入特征不正确或不确定情况下正确诊断和识别的成功率。烟店轴承润滑对于轴承具有很重要的意义,轴承中的润滑剂不仅可以降低摩擦阻力,还能起到散热、减小接触应力、吸收振动、防止锈蚀的作用。
  表1神经网络鲁棒性统计表
  输入特征不确定元素诊断成功率
  一个特征参数不确定100%
  二个特征参数不确定94%
  三个特征参数不确定76%
  四个特征参数不确定70%
  五个特征参数不确定20%
  六个特征参数不确定8%
  由表1可以看出,利用集成神经网络(Network)进行故障诊断可以在丢失了大量信息的情况下(近一半特征参数(parameter)不确定)仍可以作出正确判断的成功率(指物体在单位时间内所做的功的多少)相当高(76%~100%)因而集成神经网络具有很强能力。