力士乐液压泵配件轴承故障特征及其诊断方法研究
作者:管理员    发布于:2014-11-11 15:01:36    文字:【】【】【
摘要:以下是北京博恒力士乐液压泵有限公司对力士乐液压泵配件轴承故障特征及其诊断方法研究。
以下是北京博恒力士乐液压泵有限公司对力士乐液压泵配件轴承故障特征及其诊断方法研究。
咨询电话:13693603086
轴承的平均使用寿命是10000小时,大于此就需要更换新的;滚柱表面变色或者有划痕,也要更换。更换下来的轴承应注意型号和英文字母,但没有仪器是无法检测出轴承的游隙柱塞泵轴承一般采用大载荷容量轴承,更换时候最好购买原厂家规格的产品,但若换为另一品牌,并且保持载荷容量和轴承的精度等级,需要请教对轴承有经验的人员查表更换。 
  一、液压泵轴承故障的特征提取 
  在机械系统中,有故障就会引起系统的附加振动。振动信号很适合进行故障诊断,因为它是包含丰富信息的动态信号,但若固有信号或外界干扰对故障信号的干扰很大,那么关键是要从振动信号中提取有用信号。 
  (1)振动的平均能量特征 
  假定在液压泵泵体上的振动加速信号为:a(t)={a1(t), a2(t),..., an(t)},它是故障信号以泵体传输后的信号。 
  振动信号的有效值由特征参数代表,反映振动的平均能量。根据统计学理论,振动的时域信息可以通过振动的均方根反映: 
   
  (2)振动信号的峰值特征 
  反映振动信号中周期性脉动的特征量,峰值特征量为Pp=max{a(t)}。 
  (3)倒谱包络特征 
  设为故障激励信号f(t),传输通道的脉冲响应为h(t),由傅里叶变换得: 
  ,变换得: 
  其中,τ称为倒频率,(τ)为倒频谱。 
  由上得出故障激励信号特性和传递通道的特性被分离,故障激励信号与传递通道信号一般在不同的倒频区,突出故障振动信号的特性。 
  当轴承滚柱及流动面的内、外环滚道上出现损伤,滚道的表面受到破坏,根据摩擦学理论,每当滚子滚过损伤点,都会产生一次振动。选用以上抗干扰能力强的特征为故障诊断特征参数,可以克服轴承故障信号较弱且容易被液压泵固有振动淹没的困难。 
  二、集成BP网络进行故障诊断的原理 
  求解问题的领域特征决定了神经网络的组织结构,为了减少故障诊断系统的复杂性和网络学习时间,将故障诊断知识集合分解为若干子集合。每个逻辑上独立的子集合再分解为几个规则子集,每个规则子集是一个逻辑上独立的子网络的映射,通过规则子集间的联系、子网络的权系矩阵来组织网络。独立地运用BP学习算法在各个子网络分别进行学习训练。由于分解后的子网络变得规模小了,所以使训练时间大为减少。 
  利用集成BP网络对液压泵轴承故障诊断的信息处理能力,即BP算法和神经元的非线性机理特性,如图1所示。 
   
  图1BP网络故障诊断示意图 
  图2中每一个子网络由BP算法各自学习,学习后的结果最后集成到控制网络。BP子网络的学习算法如下: 
   
  图2集成BP网络示意图 
  将能量特征、幅值特征和倒谱包络特征每一个特征参数值的映射到神经网络输入输出层的单个节点上,进行正则变换,则: 
  xi=0.8(x-xmin)/(xmax-xmin)+0.1 
  为了避免Sigmoid函数输出值极端化,比如学习无法收敛的问题,则需要把特征参数正则到(0.1,0.9)之间,得到每个神经元的加权值和阈值: 
   
  其中,i代表前一层,j代表当前层,wij代表连接权值,cj代表当前节点的阈值,fj代表输出。而对于轴承故障诊断系统,若选取6个特征参数,即内滚道和滚柱的振动能量、振动峰及倒谱包络,则: 
   
  子网络输出层有一个节点,集成BP网络输出有多个节点,可以用集成BP网络的输出节点组合,表示一种状态,从而对多故障诊断与识别。 
  三、神经网络鲁棒性的研究 
  神经网络的鲁棒性是指神经网络对故障的容错能力。人类的大脑中每一个概念不只保存在一个神经元中,是分散于诸多神经元及其链接中,所以个别神经元的损伤不会破坏到整体性能。人脑再次学习获得知识,就可以使得损伤神经元的信息表达在其他神经元以及链接中。神经网络是对生物神经网络的模拟,其网络特征就是知识的组合,在部分信息不明确或者丢失的情况下,由于神经元联想记忆的特征,组合以往的知识,神经网络通过剩余信息作出诊断,其判断的成功率达到76%~100%,即使近一半参数不确定的情况,集成神经网络仍具有很强的容错能力和鲁棒性。 
  液压泵轴承的多故障诊断与识别利用集成BP网络,通过神经网络具有自学习、自组织、联想记忆等多种功能,试验集成网络利用频域和倒频域的振动信号作为特征参数,具有很高的成功率和鲁棒性。 

地址:北京亦庄经济技术开发区

电话:13810164410

 
广告位