生活點滴

軸承-液壓泵軸承故障診斷網絡法研究法分析
1、液壓泵軸承故障的特征軸承提取

對于機械系統而言，如有故障則一定會引起系統的附加振動。振動信號是動態信號，它包含的信息豐富，很適合進行故障診斷。但是如果附加振動信號由于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，當軸承流動面的內環、外環滾道及滾柱上出現一處損傷，滾道的表面平滑受到破壞，每當滾子滾過損傷點，都會産生一次振動。假設軸承零件爲剛體，不考慮接觸變形的影響，滾子沿滾道爲純滾。

Hilbert變換用于信號分析中求時域信號的包絡，以達到對功率譜進行平滑從而突出故障信息。定義信號：爲最佳包絡。倒譜包絡模型實質是對從傳感器獲得的信號進行倒頻譜分析，然後對其倒頻譜信號進行包絡提取，從而雙重性地突出了故障信息，爲信噪比小的故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

神經網絡的組織結構是由求解問題的領域特征決定的。由于故障診斷系統的複雜性，將神經網絡應用于障診斷系統的設計中，將是大規模神經網絡的組織和學習問題。爲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分解爲幾個邏輯上獨立的子集合，每個子集合再分解爲若幹規則子集，然後根據規則子集來組織網絡。每個規則子集是一個邏輯上獨立的子網絡的映射，規則子集間的聯系，通過子網絡的權系矩陣表示。各個子網絡獨立地運用BP學習算法分別進行學習訓練。由于分解後的子網絡比原來的網絡規模小得多且問題局部化了，從而使訓練時間大爲減少。利用集成BP網絡進行液壓泵軸承故障診斷的信息處理能力源于神經元的非線性機理特性和BP算法。

3、神經網絡魯棒性的研究

神經網絡的魯棒性是指神經網絡對故障的容錯能力。衆所周知，人腦具有容錯特性，大腦中個別神經元的損傷不會使它的總體性能發生嚴重的降級，這是因爲大腦中每一概念並非只保存在一個神經元中，而是散布于許多神經元及其連接之中。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重新表達在剩余的神經元中。由于神經網絡是對生物神經元網絡的模擬，所以神經網絡的最大特征是具有“聯想記憶”功能，即神經網絡可以由以往的知識組合，在部分信息丟失或部分信息不確定的條件下，用剩余的特征信息做出正確的診斷。


網路拜拜, 新竹系統家具,防水,高雄隆乳,Tray盤