渣油泵ZYB-125軸承故障（zhàng）診（zhěn）斷網絡法研究法分析,渣油泵采用自封（fēng）式潤滑,間隙自動調節結構,要（yào）零件均高耐磨材料製造。具有結（jié）構緊湊、自吸性好、效率高、適應（yīng）性強等特點,在（zài）輸送液體含有雜（zá）質的場合,泵的工（gōng）作壽命比一般齒輪泵長10倍以上。
1、渣油泵ZYB-125軸承（chéng）故障的特征提取
對於機（jī）械係統而言，如有故障則一定會（huì）引起係統的附加振動。振動信號是（shì）動態（tài）信號，它包含的信息豐富，很（hěn）適合進行故障診斷。但是如果附加振動信號由於固有信號或外界幹擾對故障信號的幹擾很大而淹沒，那麽如何從振動信號中提取有用信號就顯得十分關鍵。
根據摩擦學理論（lùn），當軸承流動麵的（de）內（nèi）環、外環滾道及滾柱上出現一處損傷，滾道的表麵平滑受到破壞，每當滾子滾（gǔn）過損傷點，都會產生一次振動。假設軸承零件為（wéi）剛體，不考慮接觸變形的影響，滾子沿滾道為純滾。
Hilbert變換用於信號（hào）分析中（zhōng）求時域（yù）信號（hào）的包絡，以（yǐ）達到對功率譜進行（háng）平滑從而突出故（gù）障信（xìn）息。定義信號：為最佳包絡（luò）。倒譜包（bāo）絡模型實質是對從傳感（gǎn）器獲（huò）得的信（xìn）號進行倒頻譜分（fèn）析，然後對其倒頻（pín）譜信號進行（háng）包（bāo）絡提取，從而雙重性地突出了故障信息（xī），為信噪（zào）比小的故（gù）障特征的提取提供了依據。
2、集成BP網絡進行故障診斷的原理
神經（jīng）網絡的組織結構（gòu）是由求解問題的領域特征（zhēng）決定的。由（yóu）於故障診（zhěn）斷係統的複雜性，將（jiāng）神經網絡應用於障診斷係統的（de）設計中（zhōng），將是大（dà）規模神經網絡的組織（zhī）和學習問題。為了減少工作的複雜性，減少網絡的學習時間，本文將故障診斷知識集合（hé）分解（jiě）為（wéi）幾（jǐ）個邏輯（jí）上獨立的（de）子集合，每個子集合再分解為若（ruò）幹規則子集，然後根據規則子（zǐ）集來組織網絡。每個規則子（zǐ）集是一個邏輯（jí）上獨立的子網絡的映射，規則子（zǐ）集間的聯係，通過子網絡的權係矩陣表（biǎo）示。各個子網絡獨（dú）立地運用BP學習算（suàn）法分（fèn）別進行學習訓練。由於分解後的子網絡比原來的網絡規模小得多且問題（tí）局部化了，從而使訓練（liàn）時間大為減少。利用集成BP網絡進行渣油泵ZYB-125軸承故障診斷的信息處理能力源於神經元的（de）非線性機理特性（xìng）和（hé）BP算法
3、神（shén）經網絡（luò）魯棒性的研究
神經網絡的魯棒（bàng）性是（shì）指神經網絡對故障的容錯能力。眾（zhòng）所周知（zhī），人腦具有容（róng）錯特性，大腦中個別神（shén）經元的損傷不（bú）會使它的總體性（xìng）能發（fā）生嚴重的降級，這是因為大腦中每一概念並（bìng）非隻（zhī）保存在一個神經元中，而是散布於許多神經元及（jí）其連接之中。大腦可以通過再次學習，使因一部分神經元的損傷而淡忘的知識（shí）重新表達在剩餘的神經元中（zhōng）。由於神（shén）經網絡是對生物神經元網絡的模擬，所以神經網絡的最（zuì）大特征是具有聯想記憶功能，即神經網絡可以由以往的知識（shí）組合，在部分（fèn）信息丟失或部（bù）分信息不確定的條件下，用剩餘的特征信息做出（chū）正確的（de）診斷。
表2給出了軸承6個特征信息中某些輸入特（tè）征（zhēng）不正確或不確定情況下正確診斷和識別的成功率
表1神經網絡魯棒性統計表
輸入特征不（bú）確（què）定元素診斷成功率
一個特征參（cān）數不（bú）確定100%
二個特征參數不確定94%
三個特征（zhēng）參數不確定76%
四個特征參數不確定（dìng）70%
五個特征參數不確定20%
六個特征參（cān）數不確（què）定8%
由表1可以看出，利用集成神經網絡進行故障診斷可以在丟失了大量信息（xī）的情（qíng）況下(近一半特征參數不確定（dìng）)仍可以作出正確判斷的成功率相當高（gāo）(76%~100%)因而集成神（shén）經網絡具有很強能力
在（zài）船舶工業中，液壓係統（tǒng）的工作性能直接影（yǐng）響著船的安全和旅（lǚ）客的（de）生命，而渣油泵ZYB-125是液（yè）壓係統（tǒng）的動力源，因此對渣油泵ZYB-125的狀態監控與故障（zhàng）診斷尤為重要。軸承故（gù）障是渣油泵ZYB-125常見的故障模式之（zhī）一，由於軸承故（gù）障所引起的附加振動相對於渣油泵ZYB-125的固有振動（dòng）較弱，因而很難把故障信息從（cóng）信號中分離（lí）開來。到目前為止（zhǐ），對渣油泵ZYB-125軸承故障的（de）故障診斷尚缺少十分有效的方法。本文提出在頻域和倒頻域進行特征提取，旨在解決軸承（chéng）特征（zhēng）提取困難的問題並利（lì）用集成BP網絡解決多（duō）故障診斷與識別和魯棒性問題。
1、渣油泵ZYB-125軸承（chéng）故障的特征提取
對於機（jī）械係統而言，如有故障則一定會（huì）引起係統的附加振動。振動信號是（shì）動態（tài）信號，它包含的信息豐富，很（hěn）適合進行故障診斷。但是如果附加振動信號由於固有信號或外界幹擾對故障信號的幹擾很大而淹沒，那麽如何從振動信號中提取有用信號就顯得十分關鍵。
根據摩擦學理論（lùn），當軸承流動麵的（de）內（nèi）環、外環滾道及滾柱上出現一處損傷，滾道的表麵平滑受到破壞，每當滾子滾（gǔn）過損傷點，都會產生一次振動。假設軸承零件為（wéi）剛體，不考慮接觸變形的影響，滾子沿滾道為純滾。
Hilbert變換用於信號（hào）分析中（zhōng）求時域（yù）信號（hào）的包絡，以（yǐ）達到對功率譜進行（háng）平滑從而突出故（gù）障信（xìn）息。定義信號：為最佳包絡（luò）。倒譜包（bāo）絡模型實質是對從傳感（gǎn）器獲（huò）得的信（xìn）號進行倒頻譜分（fèn）析，然後對其倒頻（pín）譜信號進行（háng）包（bāo）絡提取，從而雙重性地突出了故障信息（xī），為信噪（zào）比小的故（gù）障特征的提取提供了依據。
2、集成BP網絡進行故障診斷的原理
神經（jīng）網絡的組織結構（gòu）是由求解問題的領域特征（zhēng）決定的。由（yóu）於故障診（zhěn）斷係統的複雜性，將（jiāng）神經網絡應用於障診斷係統的（de）設計中（zhōng），將是大（dà）規模神經網絡的組織（zhī）和學習問題。為了減少工作的複雜性，減少網絡的學習時間，本文將故障診斷知識集合（hé）分解（jiě）為（wéi）幾（jǐ）個邏輯（jí）上獨立的（de）子集合，每個子集合再分解為若（ruò）幹規則子集，然後根據規則子（zǐ）集來組織網絡。每個規則子（zǐ）集是一個邏輯（jí）上獨立的子網絡的映射，規則子（zǐ）集間的聯係，通過子網絡的權係矩陣表（biǎo）示。各個子網絡獨（dú）立地運用BP學習算（suàn）法分（fèn）別進行學習訓練。由於分解後的子網絡比原來的網絡規模小得多且問題（tí）局部化了，從而使訓練（liàn）時間大為減少。利用集成BP網絡進行渣油泵ZYB-125軸承故障診斷的信息處理能力源於神經元的（de）非線性機理特性（xìng）和（hé）BP算法
3、神（shén）經網絡（luò）魯棒性的研究
神經網絡的魯棒（bàng）性是（shì）指神經網絡對故障的容錯能力。眾（zhòng）所周知（zhī），人腦具有容（róng）錯特性，大腦中個別神（shén）經元的損傷不（bú）會使它的總體性（xìng）能發（fā）生嚴重的降級，這是因為大腦中每一概念並（bìng）非隻（zhī）保存在一個神經元中，而是散布於許多神經元及（jí）其連接之中。大腦可以通過再次學習，使因一部分神經元的損傷而淡忘的知識（shí）重新表達在剩餘的神經元中（zhōng）。由於神（shén）經網絡是對生物神經元網絡的模擬，所以神經網絡的最（zuì）大特征是具有聯想記憶功能，即神經網絡可以由以往的知識（shí）組合，在部分（fèn）信息丟失或部（bù）分信息不確定的條件下，用剩餘的特征信息做出（chū）正確的（de）診斷。
表2給出了軸承6個特征信息中某些輸入特（tè）征（zhēng）不正確或不確定情況下正確診斷和識別的成功率
表1神經網絡魯棒性統計表
輸入特征不（bú）確（què）定元素診斷成功率
一個特征參（cān）數不（bú）確定100%
二個特征參數不確定94%
三個特征（zhēng）參數不確定76%
四個特征參數不確定（dìng）70%
五個特征參數不確定20%
六個特征參（cān）數不確（què）定8%
由表1可以看出，利用集成神經網絡進行故障診斷可以在丟失了大量信息（xī）的情（qíng）況下(近一半特征參數不確定（dìng）)仍可以作出正確判斷的成功率相當高（gāo）(76%~100%)因而集成神（shén）經網絡具有很強能力
在（zài）船舶工業中，液壓係統（tǒng）的工作性能直接影（yǐng）響著船的安全和旅（lǚ）客的（de）生命，而渣油泵ZYB-125是液（yè）壓係統（tǒng）的動力源，因此對渣油泵ZYB-125的狀態監控與故障（zhàng）診斷尤為重要。軸承故（gù）障是渣油泵ZYB-125常見的故障模式之（zhī）一，由於軸承故（gù）障所引起的附加振動相對於渣油泵ZYB-125的固有振動（dòng）較弱，因而很難把故障信息從（cóng）信號中分離（lí）開來。到目前為止（zhǐ），對渣油泵ZYB-125軸承故障的（de）故障診斷尚缺少十分有效的方法。本文提出在頻域和倒頻域進行特征提取，旨在解決軸承（chéng）特征（zhēng）提取困難的問題並利（lì）用集成BP網絡解決多（duō）故障診斷與識別和魯棒性問題。
- 瀏覽更多（duō）關於
- ZYB渣油泵 |
- ZYB-300 |
- 渣油泵ZYB-125 |
- 的內容
------分隔線----------------------------
相關新聞
相關產品
