往复泵的轴承和泵阀故障诊断.docVIP

轴承故障诊断 摘要 研究了基于BP网络的往复泵轴承故障诊断方法.利用频域和倒频域进行特征提取，采用集成BP网络进行故障诊断和识别，解决了往复泵轴承故障特征提取困难、多故障识别困难的问题.试验结果表明，利用BP网络可以有效地诊断与识别往复泵轴承多故障模式，并且具有很高的成功率。 关键词:往复泵;轴承故障;故障诊断;BP网络 1往复泵轴承故障特征提取 对于机械系统而言，如有故障，则会引起系统的附加振动，振动信号是动态信号，且包含的信息丰富，适合进行故障诊断。但是如果附加振动信号由于固有信号或者外界对故障信号的干扰很大而淹没，那么如何从振动信号中提取有效信号就是得十分关键。 根据滚动轴承的振动机理，当轴承内圈、外圈轨道与滚柱上出现一处损伤，轴承轨道表面的平滑度受到破坏，每当棍子滚过损伤点时，会产生一次振动。设轨道面与滚动体之间无相对滑动；承受径向、轴向载荷时各部分无变形；外圈固定，则有如下损伤振动频率： 内圈旋转频率为： 当内圈有一处损伤时，其振动频率为： 当外圈有一处损伤时，其振动频率为： 当滚动体有一处损伤时，其振动频率为： 其中：为内圈旋转频率；D为轴承的节圆直径；d为滚动体的直径；为接触角；Z为滚柱个数。 为了克服轴承故障信号较弱且容易被往复泵固有振动信号淹没的困难，选用一下抗干扰能力较强的特征作为故障诊断特征参数。 1.1 振动时的平均能量特征 设在往复泵体上测的的振动加速信号： 它是故障它是故障信号从泵体传输后的信号。根据统计学理论，振动的均方根反映振动的时域信息: 特征参数有它代表振动信号的有效值，反映振动的平均能量。 1.2振动信号的峰值特征： 是反映振动信号中周期性脉动的特征量. 1.3倒谱包络特征:设f(t)为故障激励信号，h(t)为传输通道的脉冲响应.它们相应的Fourier变换有如下关系: 和A(w )=F(w )H(w) 对以两式进行如下变换 式中，r称为倒频率，a( r)为倒频谱.由上式可以看出故障激励信号特性和传递通道的特性被分离开来了，而一般情况下故障激励信号与传递通道信号占据不同的倒频区段，这样可以突出故障振动信号的特性. 用Hilbert变换进行信号分析求时域信号的包络，以达到对功率谱进行平滑，从而突出故障信息.定义信号:为最佳包络.倒谱包络模型实质是对从传感器获得的信号进行倒频谱分析，然后对其倒频谱信号进行包络提取，从而双重性地突出了故障信息，为信噪比小的故障特征的提取提供了依据. 2 BP网络进行故障诊断的原理 神经网络的组织结构是由求解问题的特征决定的.由于故障诊断系统的复杂性，将神经网络应用于障诊断系统的设计中，将是大规模神经网络的组织和学习问题.为了减少工作的复杂性，减少网络的学习时间，本文将故障诊断知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则子集，然后根据规则子集来组织网络.每个规则子集是一个逻辑上独立的子网络的映射，规则子集间的联系，通过子网络的权系矩阵表示.各个子网络独立地运用BP学习算法分别进行学习训练.由于分解后的子网络比原来的网络规模小得多且问题局部化了，从而使训练时间大为减少.利用集成BP网络进行往复泵轴承故障诊断的信息处理能力源于神经元的非线性机理特性和BP算法，如图所示： BP网络的学习算法如下，选取的每一个特征参数(包括能量特征，幅值特征和倒谱包络特征)x的值映像到神经网络输入输出层的单个节点上， 并对其进行正则处理; Xi= 0.8(X-Xmin)I(Xmax-Xmin)十0.1 (7) 式(7)把特征参数正则到(0.1, 0.9)之间的目的是避免Sigmoid函数输出值极端化而引起学习无法收敛的问题。 对(7)式得到的正则值完成如下运算，得到每个神经元的加权值和闭值: 式中，J代表当前层，l代表前一层，。。代表连接权值:C}代表当前节点的闭值;代表输出。 在往复泵的轴承故障诊断系统中选取内圈和滚动体的振动能量、振动峰值及倒谱包络6个特征参数，即: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来表示一种状态，实现多故障诊断与识别。 如下表实验结果是往复泵动力端一个轴承故障的四种状态:轴承正常状态IV，滚动体故障状态I，内圈故障状态II，滚动体与内圈双故障状态III.实验数据如下: 样本 I II III IV 1 0.202103 0.404539 0.601357 0.794224 2 0.298738 0.403222 0.603119 0.80098 3 0.209529 0.412092 0.605998 0.7