在航空工业中,液压体系的作业功能直接影响着飞机的安全和旅客的生命,而液压泵是液压体系的动力源,因此对液压泵的状况监控与毛病确诊尤为重要。轴承毛病是液压泵常见的毛病形式之一,因为轴承毛病所导致的附加振荡相关于液压泵的固有振荡较弱,因此很难把毛病信息从信号中分离开来。到目前为止,对液压泵轴承毛病的毛病确诊尚短少非常有效的办法。这篇文章提出在频域和倒频域进行特征获取,旨在处理轴承特征获取艰难的疑问并使用集成BP网络处理多毛病确诊与辨认和鲁棒性疑问。
1、液压泵轴承毛病的特征获取
关于机械体系而言,如有毛病则必定会导致体系的附加振荡。振荡信号是动态信号,它包含的信息丰厚,很合适进行毛病确诊。但是假如附加振荡信号因为固有信号或外界搅扰对毛病信号的搅扰很大而吞没,那么怎么从振荡信号中获取有用信号就显得非常要害。
依据冲突学理论,当轴承活动面的内环、外环滚道及滚柱上呈现一处损害,滚道的外表滑润受到破坏,每逢滚子滚过损害点,都会发作一次振荡。假定轴承零件为刚体,不思考触摸变形的影响,滚子沿滚道为纯滚。
Hilbert变换用于信号剖析中求时域信号的包络,以到达对功率谱进行滑润然后杰出毛病信息。界说信号:为最好包络。倒谱包络模型本质是对从传感器取得的信号进行倒频谱剖析,然后对其倒频谱信号进行包络获取,然后双重性地杰出了毛病信息,为信噪比小的毛病特征的获取供给了依据。
2、集成BP网络进行毛病确诊的原理
神经网络的安排构造是由求解疑问的范畴特征决议的。因为毛病确诊体系的复杂性,将神经网络应用于障确诊体系的设计中,将是大规划神经网络的安排和学习疑问。为了削减作业的复杂性,削减网络的学习时刻,这篇文章将毛病确诊常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矩子集,然后依据规矩子集来安排网络。每个规矩子集是一个逻辑上独立的子网络的映射,规矩子集间的联络,经过子网络的权系矩阵表示。各个子网络独立地运用BP学习算法别离进行学习练习。因为分解后的子网络比本来的网络规划小得多且疑问有些化了,然后使练习时刻大为削减。使用集成BP网络进行液压泵轴承毛病确诊的信息处理才能源于神经元的非线性机理特性和BP算法。
3、神经网络鲁棒性的研讨
神经网络的鲁棒性是指神经网络对毛病的容错才能。尽人皆知,人脑具有容错特性,大脑中单个神经元的损害不会使它的整体功能发作严峻的降级,这是因为大脑中每一概念并非只保存在一个神经元中,而是分布于许多神经元及其衔接当中。大脑能够经过再次学习,使因一有些神经元的损害而淡忘的常识重新表达在剩下的神经元中。因为神经网络是对生物神经元网络的模仿,所以神经网络的最大特征是具有“联想回忆”功能,即神经网络能够由以往的常识组合,在有些信息丢掉或有些信息不确定的条件下,用剩下的特征信息做出准确的确诊。
表2给出了轴承6个特征信息中某些输入特征不准确或不确定情况下准确确诊和辨认的成功率。
表1神经网络鲁棒性统计表
输入特征不确定元素确诊成功率
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能够看出,使用集成神经网络进行毛病确诊能够在丢掉了大量信息的情况下(近一半特征参数不确定)仍能够作出准确判别的成功率适当高(76%~100%)因此集成神经网络具有很强才能。
http://mtjbaojie2.com