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。
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
一半特征参数不确定
)仍可以作出正确判断的成功率相当高(76%~100%)因而集成神经网络
具有很强能力
在航空工业中,液压系统的工作性能直接影响着飞机的安全和旅客的生命,而液压泵
是液压系统的动力源,因此对液压泵的状态监控与故障诊断尤为重要。轴承故障是液压泵常
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。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、液压泵轴承故障的特征提取
对于机械系统而言,如有故障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。
根据摩擦学理论,当轴承流动面的内环、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。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 网络进行故障诊断的原理
神经网络的组织结构是由求解问题的领域特征决定的。由于故障诊断系统的复杂性,将