| 首頁(yè)>軸承知識(shí)>液壓泵軸承毛病確診網(wǎng)絡(luò)法研 |
液壓泵軸承毛病確診網(wǎng)絡(luò)法研
來(lái)源:海力軸承網(wǎng) 時(shí)間:2013-10-04
1、液壓泵軸承毛病的特征提取
關(guān)于機(jī)械體系而言；如有毛病則必定會(huì)導(dǎo)致體系的附加振蕩.振蕩信號(hào)是動(dòng)態(tài)信號(hào)；它包括的信息豐厚；很合適進(jìn)行毛病確診.可是若是附加振蕩信號(hào)因?yàn)楣逃行盘?hào)或外界攪擾對(duì)毛病信號(hào)的攪擾很大而吞沒；那么怎么從振蕩信號(hào)中提取有用信號(hào)就顯得非常要害.
依據(jù)沖突學(xué)理論；當(dāng)軸承活動(dòng)面的內(nèi)環(huán)、外環(huán)滾道及滾柱上呈現(xiàn)一處損傷；滾道的外表滑潤(rùn)受到破壞；每逢滾子滾過(guò)損傷點(diǎn)；都會(huì)發(fā)作一次振蕩.假定軸承零件為剛體；不思考觸摸變形的影響；滾子沿滾道為純滾.
Hilbert改換用于信號(hào)剖析中求時(shí)域信號(hào)的包絡(luò)；以到達(dá)對(duì)功率譜進(jìn)行滑潤(rùn)然后杰出毛病信息.界說(shuō)信號(hào)：為最佳包絡(luò).倒譜包絡(luò)模型本質(zhì)是對(duì)從傳感器取得的信號(hào)進(jìn)行倒頻譜剖析；然后對(duì)其倒頻譜信號(hào)進(jìn)行包絡(luò)提.傭匭緣贗懷雋斯收閑畔晃旁氡刃〉墓收咸卣韉奶崛√峁┝艘讕.
2、集成BP網(wǎng)絡(luò)進(jìn)行毛病確診的原理
神經(jīng)網(wǎng)絡(luò)的安排布局是由求解難題的范疇特征決議的.因?yàn)槊〈_診體系的復(fù)雜性；將神經(jīng)網(wǎng)絡(luò)應(yīng)用于障確診體系的描繪中；將是大規(guī)劃神經(jīng)網(wǎng)絡(luò)的安排和學(xué)習(xí)難題.為了削減作業(yè)的復(fù)雜性；削減網(wǎng)絡(luò)的學(xué)習(xí)時(shí)刻；本文將毛病確診常識(shí)調(diào)集分化為幾個(gè)邏輯上獨(dú)立的子調(diào)集；每個(gè)子調(diào)集再分化為若干規(guī)矩子集；然后依據(jù)規(guī)矩子集來(lái)安排網(wǎng)絡(luò).每個(gè)規(guī)矩子集是一個(gè)邏輯上獨(dú)立的子網(wǎng)絡(luò)的映射；規(guī)矩子集間的聯(lián)絡(luò)；經(jīng)過(guò)子網(wǎng)絡(luò)的權(quán)系矩陣表明.各個(gè)子網(wǎng)絡(luò)獨(dú)登時(shí)運(yùn)用BP學(xué)習(xí)算法別離進(jìn)行學(xué)習(xí)練習(xí).因?yàn)榉只蟮淖泳W(wǎng)絡(luò)比本來(lái)的網(wǎng)絡(luò)規(guī)劃小得多且難題有些化了；然后使練習(xí)時(shí)刻大為削減.使用集成BP網(wǎng)絡(luò)進(jìn)行液壓泵軸承毛病確診的信息處理才能源于神經(jīng)元的非線性機(jī)理特性和BP算法.
3、神經(jīng)網(wǎng)絡(luò)魯棒性的研討
神經(jīng)網(wǎng)絡(luò)的魯棒性是指神經(jīng)網(wǎng)絡(luò)對(duì)毛病的容錯(cuò)才能.眾所周知；人腦具有容錯(cuò)特性；大腦中單個(gè)神經(jīng)元的損傷不會(huì)使它的整體功用發(fā)作嚴(yán)峻的降級(jí)；這是因?yàn)榇竽X中每一概念并非只保存在一個(gè)神經(jīng)元中；而是分布于許多神經(jīng)元及其銜接之中.大腦能夠經(jīng)過(guò)再次學(xué)習(xí)；使因一有些神經(jīng)元的損傷而淡忘的常識(shí)從頭表達(dá)在剩下的神經(jīng)元中.因?yàn)樯窠?jīng)網(wǎng)絡(luò)是對(duì)生物神經(jīng)元網(wǎng)絡(luò)的模仿；所以神經(jīng)網(wǎng)絡(luò)的最大特征是具有“聯(lián)想回憶”功用；即神經(jīng)網(wǎng)絡(luò)能夠由以往的常識(shí)組合；在有些信息丟掉或有些信息不確定的條件下；用剩下的特征信息做出正確的確診.
表2給出了 軸承 6個(gè)特征信息中某些輸入特征不正確或不確定情況下正確確診和辨認(rèn)的成功率.
表1神經(jīng)網(wǎng)絡(luò)魯棒性統(tǒng)計(jì)表
輸入特征不確定元素確診成功率
一個(gè)特征參數(shù)不確定100％
二個(gè)特征參數(shù)不確定94％
三個(gè)特征參數(shù)不確定76％
四個(gè)特征參數(shù)不確定70％
五個(gè)特征參數(shù)不確定20％
六個(gè)特征參數(shù)不確定8％
由表1能夠看出；使用集成神經(jīng)網(wǎng)絡(luò)進(jìn)行毛病確診能夠在丟掉了很多信息的情況下(近一半特征參數(shù)不確定)仍能夠作出正確判別的成功率適當(dāng)高(76％~100％)因此集成神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)才能.
推薦給朋友 評(píng)論 關(guān)閉窗口
| 軸承相關(guān)知識(shí) |
| INA軸承的落體翻滾聲技能的剖析 常見滑動(dòng)NSK軸承呈現(xiàn)的毛病解析 運(yùn)用拉馬拆軸承時(shí)應(yīng)注意事項(xiàng) 軸承游隙與旋轉(zhuǎn)靈活性的檢測(cè)技術(shù) 滑動(dòng)軸承技能需求 |
本文鏈接 http://m.powtrailers.com/cbzs_1474.html
轉(zhuǎn)載請(qǐng)注明 軸承網(wǎng) http://m.powtrailers.com
上一篇:發(fā)起機(jī)滑動(dòng)軸承的技能剖析（三）
下一編:托輥軸承損壞緣由