| 2 液压泵滚动轴承故障特征向量的提取
根据所采用的状态变量把滚动轴承工作状况监视和故障诊断分为温度法、油样分析法和振动法。由于液压泵发生故障会引起系统附加振动，并且振动法具有测试简单、诊断结果可靠及适用于各种工作环境，因而在实际中得到广泛应用。在实际测试工作中，主要使用加速度传感器测试振动信号，但应对所测得的信号进行分析处理。提取能够反应轴承工作状态的一些特征向量，用于故障识别。
一般来说，故障轴承的指标比正常轴承大。故障越严重，振动值越大，波形因子越大;局部缺陷越严重，冲击指标和峭度越大。通过试验分析，处于故障早期的滚动轴承的幅域指标与正常轴承存在较大区别，适合于故障诊断。通常使用均方根值、峰值、峭度、峰值因子、峭度因子、脉冲因子、裕度因子和波形因子等指标。并且这些指标基本上不受
图2图3
载荷和转速等因素的影响,无须考虑相对标准值或与以前的数据进行对比,另外,它不受信
号绝对水平的影响,即使测量点同以往的略有不同,对参数的计算结果也不会产生明显的影响。本文将以这些处理过的参数作为神经网络输入层输入来对轴承故障做出诊断。
设采集到的振动信号为 (i=1,2,…,n,n 为采样点数),则
均方根值
峰值 （ 为利用某一峰值计数法从信号中找到的m个峰值，j=1,2,…m）
峭度
峰值因子
峭度因子
脉冲因子 
波形因子
裕度因子 
3 采用BP神经网络模型进行滚动轴承故障诊
3.1网络层次节点数目确定
模型采用3层BP神经网络，输入层相对于上述6个处理过的特征参数，因而有6个节点，在运行的柱塞泵滚动轴承的6个测点安装传感器，拟人工设置三种轴承故障模式：轴承外环故障、轴承内环故障、滚动体故障，故对应于这三种故障输出层有3个节点。阴层节点数根据经验公式  来确定，其中：
 隐含层神经元数目；
 输入层神经元数目；
 输出层神经元数目；
 1~10之间的整数。
本文选用的隐层节点数目是12。如图1所示
3.2网络训练
神经网络具有自适应、自学习能力，因而当训练样本达到一定数量后，网络具有良好的非线性逼近能力，达到理想的故障模式识别。但达到上述效果，用于训练神经网络的样本必须满足以下俩个要求：a、样本足够数量多，从而使网络经过训练后，收敛性良好；b、样本包含各类故障的典型样本，即要求训练样本集完整。
本文选用的样本数据来自实验数据，依据数据性质，分为四类：轴承正常、外圈划伤、内圈划伤、滚子划伤。每类数据各有20个样本，共80个训练样本。表1节选了轴承四种状态各5个共20个训练样本。
在MatLab环境下，选用收敛性良好的Levenberg-Marquardt算法对BP神经网络进行训练，参数设定如下：学习率0.05；训练步数100；训练目标误差0.001；通过调试可知，Levenberg-Marquardt算法收敛速度很快，因此，训练后的BP神经网络就是滚动轴承早期故障的识别网络。
3.3检验网络
轴承四种状态的期望输出分别为：正常（0 0 0）；外圈划伤（1 0 0）；内圈划伤（0 1 0）;滚子划伤（0 0 1）。
用训练好的网络对待检样本进行识别，原理图见图3，神经网络对滚动轴承检验样本进行诊断的输出结果如表2所示，可以看出，神经网络能根据早期振动测得的数据准确地判断轴承的故障类型，说明神经网络采用上述算法以及特征参数能够较好的对故障模式进行识别。
4 结论
航空液压泵轴承是液压泵的重要支撑部件，对其故障诊断具有重要意义。BP神经网络模型具有较强的自学习、自适应、联想记忆及非线性模式识别能力，特别适用于多故障、多征兆等复杂模式的识别。本文通过对轴承振动信息处理，提取无量纲特征参数作为神经网络输入，实验结果表明，利用BP神经网络对航空滚动轴承早期故障模式进行识别是可靠与有效的。
表一 BP神经网络训练样本
| 轴承 峭度 峭度 峰值 脉冲 裕度 波形 状态 因子 因子 因子 因子 因子 |
| 3.03 2.38 4.26 5.65 6.62 1.21 3.05 2.34 4.08 5.53 6.66 1.25 正常 3.08 2.36 4.19 5.61 6.54 1.26 3.15 2.39 4.25 5.78 6.49 1.25 3.19 2.42 4.31 5.80 6.78 1.28
3.51 18.78 6.46 7.53 9.61 1.28 3.56 14.76 6.02 7.59 9.53 1.38 外圈 3.66 15.47 6.48 7.63 9.43 1.34 划伤 3.69 19.39 6.54 7.71 9.37 1.35 3.63 17.82 6.34 7.64 9.52 1.39
4.35 19.32 8.56 10.48 15.87 1.48 4.35 20.68 8.72 10.37 16.20 1.43 内圈 4.38 24.78 8.78 10.69 15.52 1.47 划伤 4.39 22.50 8.64 11.04 16.46 1.51 4.42 19.49 7.74 10.06 16.32 1.46
9.37 27.57 9.56 15.22 20.42 1.51 9.42 23.47 9.61 15.63 19.34 1.54 滚子 9.56 21.33 9.18 16.21 19.72 1.64 划伤 9.78 28.79 9.68 16.24 19.82 1.58 9.61 24.93 9.47 15.72 20.21 1.67
|
表二 BP神经网络仿真结果
| 轴承状态 正常 外圈划伤 内圈划伤 滚子划伤 |
| 峭度 3.14 3.58 4.41 9.52 3.25 3.72 5.20 9.82 峭度因子 2.41 15.48 25.46 9.50 2.56 17.94 19.75 9.61 峰值因子 4.54 6.45 8.63 8.29 4.63 6.32 7.84 9.56 脉冲因子 5.79 7.37 10.59 17.34 6.24 8.12 13.82 14.90 裕度因子 6.74 9.18 16.70 19.70 7.21 10.55 18.22 23.42 波形因子 1.21 1.34 1.44 1.54 1.31 1.39 1.53 1.68 理想输出 （0，0，0） （1，0，0） （0，1，0） （0，0，1） （0，0，0） （1，0，0） (0，1，0) （0，0，1） 实际输出 (0.14,0.036,0.008) (0.982,0.017,0.009) (0.034,0.977,0.007) (0.041,0.006,0.957) （0.053，0.024，0.031）（0.991，0.011，0.023）（0.020，0.984，0.012） （0.027，0.034，0.988） |
Abstract: By analyzing and processing of the vibration signal ofthe aero ball bearing,the feature parameters which represent operating state ofthe aero ball bearing are extracted,and then input to the BP neural network totrain the network with BP algorithm.The pattern of aero ball bearing failurecan be identified with the intellectual ability of BP neural network.Thesimulation result shows that the method presented in this paper is practicaland effective.
Key words: failure diagnosis; BP neural network; aero ballbearing; vibration signal
参考文献：
[1] 朱大奇，史慧，人工神经网络原理及应用[M] 北京：科学出版社，2006.
[2] 钟秉林，黄仁.机械故障诊断学[M].北京：机械工业出版社.
[3] 陈向东，赵登峰，王国强等，基于神经网络的滚动轴承故障监测[J].轴承，2003，（2）：23-26.
[4] 梅宏斌，滚动轴承振动监测与诊断 [M].北京：机械工业出版社，1995.
[5] 王少萍，王占林。液压泵故障诊断的神经网络方法[J].北京航空航天大学学报，1997（6）.
[6] 胡婧，杨曙年 基于BP神经网络的滚动轴承故障诊断研究 机械与电子 2006年4月.
[7] 吕琛，王桂增，张泽宇，一种用于滚动轴承故障诊断的方法 吉林大学学报（工学版）2004(7).
[8] 康莉,郑改成 神经网络在故障诊断中的应用 科技情报开发与经济 2006(19).
2/2 首页 上一页 1 2 |
