论文导读：液压泵滚动轴承又是液压泵中的关键部件。飞行部队对液压泵轴承的故障诊断研究还非常有限。本文提出了一种基于BP神经网络的液压泵滚动轴承早期故障自动识别方法。
关键词：神经网络，振动测量，轴承，故障诊断
在飞机各个组成系统中，液压系统地位重要。这其中液压泵是重中之重，而液压泵滚动轴承又是液压泵中的关键部件，起重要支承作用。由于其工作面（流动体与内外环之间）的接触应力反复作用，极易引起疲劳、裂纹、剥蚀、压痕以致断裂、烧损等现象。一旦工作面出现缺陷后，会使轴承旋转精度丧失，引起附加振动，会直接造成整个液压系统失效，严重危急飞行安全。
目前，飞行部队对液压泵轴承的故障诊断研究还非常有限，所取成果也不多，还是主要依靠维护人员经验进行测试和分析，还不能够对其进行精确的故障诊断。因此，利用计算机进行液压泵轴承故障的智能精确诊断能够在一定范围内提高地勤部队的维修保障能力，同时也是飞行部队进行信息化建设的重要步骤，也是飞行部队应当追求的目标。智能诊断不仅可以提高维护人员的工作效率、提高维修工作的精度，提高维修保障能力，还直接会提高部队战斗力。
本文提出了一种基于BP神经网络的液压泵滚动轴承早期故障自动识别方法，利用该方法可实现液压泵轴承早期故障的智能诊断。BP神经网络是人工神经网络的一种，是由许多具有非线性映射能力的神经元组成，神经元之间通过权系数相连接。论文发表。神经网络的信息分布式存储于连接权系数中，使网络具有很高的自学习、自组织、联想记忆等特性，因而网络具有较好的容错性和鲁棒性，BP网络，即多层前馈神经网络，因其采用误差反向传播算法(ErrorBack-Propagation，即BP算法)而得名。BP算法结构简单、易于实现。论文发表。利用BP神经网络可以有效地对液压泵轴承早期故障进行诊断，提高轴承早期故障的判断率。
1 BP神经网络算法
标准的BP神经网络由输入层、隐含层和输出层组成。它把一组样本的输入输出问题变为一个沿梯度下降算法的非线性优化问题，从而具有很强的非线性映射能力。如果BP神经网络的隐层较多，较少次数的权值调整就可以使网络学到样本的知识，并以权值的形式存储起来，但是隐层过多，需要调整的权值的个数也大幅度增加，因而网络的学习也会占有较多的时间。在理论上，含有一个隐层的3层BP神经网络在隐层神经元（节点）数可以任意设定的情况下，可以任意精度逼近任意连续函数。所以，在大多数应用情况下，都采用仅含一个隐层的3层BP神经网络。
这样的3层BP神经网络具体算法如下：
(1) 随机地给输入层与隐含层之间的连接权阵V,隐含层与输入层之间的连接权阵W、隐含层阈值 、输出层阈值阵 赋初值；
(2) 输入学习样本，这里设输入向量为A，并提供期望输出向量 ,层与层之间作用函
图1
数为S型函数， ，而此函数的输出总介于0～1之间，因而需要对神经网络的输入进行正则处理，具体的公式为
(3) 计算实际输出向量C 隐含层的输出 ，输出层的输出 ，其中和分别为隐含层和输出层的阈值。
(4) 梯度计算输入层 隐含层
(5)权值学习    式中  为学习率，
(6) 阈值学习 ， 隐含层 
(7) 按照上述学习算法，转到（2）反复学习直到所要求的精度为止。
可以归纳为：BP网络的学习方法由正向传播和反向传播两个过程组成。学习开始，先随机地给各连接权赋值，权值在0~1之间随机选取，然后将学习样本的信息输入输入层各神经元，经隐含层计算出输出层个节点的值，如输出层不能得到规定的输出则转入反向传播，将误差信号沿原路返回，通过修改各层神经元的权值使输出误差最小。经过一定数量的样本训练之后，网络的权矩阵和阈值就稳定在一定的状态，这样与系统有关的故障模式将匹配到其最接近的区域，神经网络用于故障诊断的机理也在于此。其示意图见图2图3。论文发表。
1/2 1 2 下一页 尾页 |
