用MRA神经网自动诊断滚动轴承.docVIP

机械系统和信号处理24(2010)289-299 ---------------------------------------------------------- 机械系统和信号处理 -------------------------------------------------------------------- 实例历史： 用MRA和神经网络自动诊断滚动轴承 MAQLAB Group, Mechanical Dept., Universidad Carlos III, Av. de la Universidad, 30, 28911 Madrid, Spain ---------------------------------------------------------------------------------- 文章信息： 文章历史：2007年11月29日被 2009年6月4日修改被认可 2009年6月11日 被公认 2009年6月27日在网上公布 关 键 词：微波 虚拟网络 故障诊断 预前维护 模糊分类 ---------------------------------------------------------------------------------- 摘要： 任何工业都需要一个有效的预期计划来优化物力资源，并且通过减少不必要的开支来提高公司的经济效应，优化生产的安全级别。在富有成效的生产过程中，大部分破坏是由轴承导致的。他们从他们的使用的早期阶段就开始恶化，也被称为初期阶段。 这份手稿发展滚动轴承的自动诊断基于震动信号的分类与分析。这项工作的新颖的方法是应用提出了准实体数据工业机器,在支持滚动轴承径向与轴向联合负荷轴承的设计。多分辨率分析科学用于为了提取第一阶段的最有趣的特征和信号。这个特征将会作为监督神经网络的输入用在第二阶段已达到分类的目的。实验性的结果被得出了，在一个真实的系统中得到轴承在初始阶段四个稳定的运行条件的方法。 ? 2009 Elsevier Ltd.All rights reserved ---------------------------------------------------------------------------------- 1.简介： 当今世界所有的旋转机器都会产生故障。维护计划包括分析重要组件的外部信息来评估他们的内部状态。因此，轴承的损坏只是旋转机器故障的普遍原因。实时在线监测可以提高早期检测与故障诊断自动化,但有一个更可靠的和更快的数学方法是必需的。 滚动轴承隐患的分类是一个开放的研究方向。还没有太多与这个问题有关的工作。在最近两年，有名望的出版社仅仅推出了四五篇与滚动轴承初期诊断有关的论文【1,2,7】。在这些论文中，从一个实验室收集的数据不包括对滚动轴承的设计非常重要的径向载荷，可能最重要的原因之一是在工业中那些轴是来传递能量的。径向滚动轴承是用于支持在轴上的负荷传输：主要的，连接到轴的不同元素所提供的径向载荷的(齿轮、曲柄等)和自己的质量 ，在工业机器中也是不可小视的，并且某种程度上轴向载荷也不一定重合。在这篇论文中，滚动轴承载荷的应用已经包括在试验计划中。不同作者的不同观点导致由于球和环接触圆弧而产生的缺陷的分类更加困难。最大限度上的发展是由Harris [3]完成的，接触面积的宽度和径向载荷的平方根成正比。那就是说，轴承提供的径向载荷越大，那么接触的椭圆面积就越大。假如这样，那么球和环的接触不能被考虑成一个点，所以潜在故障就会隐埋在这个接触面，使得我们难以被发现他们。 这里有两个阶段来实施故障诊断过程：第一，特征提取和噪声减少的信号处理；第二，在前一阶段得到的信号基础上进行分类。大部分与轴承故障诊断的研究同意以此为目的的振动信号，在滚动体运行发生故障时出现不稳定信号的特征。 近几年，不同的技术被用于处理由动力系统提供的信号。大部分作者用三种方法分析振动信号的分类：基于统计参数的时域，比如，平均值、均方根、方差、峰值等。频域，在过去这个是傅里叶变换（FT）和反变换最常用个地方；时-频 分析，比如，小波变换（WT）。这最后一种方法是信号不稳定特征最常用的方法。 最经典的方法是能量光谱密度（PSD）和解调方法（基于频域）。第一种方法给我们一个从快速傅里叶变换（FFT）获得每个频率峰值能量的方法。这个解调方法或者轨迹分析是由从当时信号的轨迹所获得的光谱组成（基于希尔伯特变换）。这些方法在实验条件下已经被证