亚洲一区AV在线观看3D动漫

<legend id="ftsud"><i id="ftsud"></i></legend>
<track id="ftsud"><i id="ftsud"></i></track>
  • <ol id="ftsud"><output id="ftsud"></output></ol>
  • <mark id="ftsud"><source id="ftsud"></source></mark>
      <ruby id="ftsud"></ruby><track id="ftsud"></track>

            設為首頁 | 加入收藏 您好,歡迎訪問深圳金泰液壓官方網站!
            文章詳情
            位置:首頁 > 新聞資訊 > 新聞中心 > 文章詳情
            德國REXROTH液壓泵信息融合故障診斷
            發布時間:2016-11-01 瀏覽次數:2462
              分析是目前較有效的信號處理方法,它可以同時在時域和頻域中對信號進行分析,能有效地區分信號中的突變部分和噪聲,實現信號的消噪。

              德國REXROTH泵出口振動信號及其 消噪后的信號,選取 消噪的全局閾值為1.049。很明顯,檢測信號中包含了許多干擾信號,很難簡單地利用檢測到的振動信號進行有效的故障診斷。為了消除干擾影響,經過 處理,可以有效地消除泵出口振動信號中所包含的噪聲,有利于故障特征的提取。

              3 信息融合故障診斷方法

              信息融合是將多源信息加以智能合成,產生比單一信息源更精確、容錯性和魯棒性更強的估計和判斷‘2’。由于德國REXROTH液壓泵出口檢測到的信息微弱,易于被干擾所淹沒,很難利用單個傳感器的檢測信號進行微弱故障特征的有效診斷。采用的信息融合故障診斷過程,即將振動信號和壓力信號進行 消噪處理,利用統計分析提取有效特征信息,采用主成分分析(PrinciP81component analysis,PCA)有效解耦各故障特征間的相關性,減少故障特征的維數,采用改進算法的BP神經網絡實現德國REXROTH液壓泵球頭松動故障診斷。

              3.l 特征層信息融合

              特征層狀態屬性融合就是將對多種類型傳感器數據進行預處理以完成特征提取及數據配準,即通過傳感器信息轉換,把各傳感器輸人數據變換成統一的數據表達形式。

              通過特征向量歸一化處理可以實現信息融合數據配準。本文提取振動信號和壓力信號的均值、峰值因子、特征頻率的能量值和功率譜幅值、四次矩等作為球頭松動故障的特征向量。

              3.2選取主成分

              在新樣本空間上,逐次計算傳感器信息的綜合指數為主成分上的貢獻。令主成分貢獻綜合指數閾值為85%,根據貢獻綜合指數選取前幾個主成分,作為下一步信息融合的信息。

              3.3 故障的可診斷性檢驗

              可診斷性檢驗主要是驗證所選擇的特征向量經過PCA分析后對系統的故障是否達到區分不同故障的目的。故障的可診斷檢驗的實質主要是分析各種故障的故障狀態樣本是否具有顯著的差異。

              假設系統有k種故障狀態,并且有m個診斷指標,用向量Y表示,其中向量Y是經過PCA分析后的各種特種向量的線性組合出來的新的特征向量。假定從k個故障狀態測得n個樣本,為了對k個樣本進行判別,需要檢驗的假設是區分k個母體是沒有意義的,即不具備可診斷性,除非增加新的指標;當H。被否定時測區分k個母體是有意義的,即具備可診斷性,由此建立的診斷模型是有意義的。記組內離差陣為組內離差和組間離差的實質是多源變量的方差。

              如果假設成立,那么所選的特征向量不足以用來診斷,需要選取新的特征量才能夠達到對故障的區分和診斷;反之,所選的特征量可以達到對故障的區分,無需再選擇新的特征量。

              3.4 多層感知器神經網絡信息融合

              信息融合故障診斷算法的最后一級采用改進BP神經網絡進行全局故障診斷。原始的BP神經網絡由輸入層、隱層和輸出層。

             我們在原始的BP網絡的基礎上,附加動量項,改進權值學習。由于增加了動量項,可以方便地實現學習率的自適應調整。如果在預定義范圍內新的誤差超過了前一次誤差,那么新的權值和閾值就被舍棄;否則,新的權值就被保留下來。通過優化可以得到最優的學習率,即當新的誤差比原來的誤差小,學習率增大,使學習平穩;當學習率過大使得學習不穩定,那么減小學習率,直至重新達到穩定。

              4 試驗分析

              本文采用SCY柱塞式德國REXROTH液壓泵作為試驗對象,其轉速為 5280r/min,相應的軸頻率為 88Hz。在該泵上預先設置了6μm、9μm、12μm和15μm的球頭松動故障。通過檢測泵出口垂直設置的2個加速度傳感器和1個壓力傳感器可以獲得故障特征,12μm球頭松動故障下檢測到的振動信號,很明顯其故障特征被噪聲淹沒。

              經過 消噪后的振動信號峰值確實在軸頻率和其倍頻處,結論同故障機理分析。在垂直方向的振動信號和壓力信號中,提取信號的均值、有效值、峰值因子、脈沖因子、四次矩、特征頻帶的能量值和特征頻率點的功率譜的幅值為特征量。假設X方向振動信號特征向量的協方差矩陣為RX(7,7)。

              對X方向振動信號特征向量進行PCA分析,得各個特征值對應的貢獻率和積累貢獻率在滿足積累貢獻率為85%的條件時應選的特征量有4個,它們是協方差矩陣特征向量的線性組合,同理,可以得到Y方向振動信號和壓力信號的新特征向量。由于系統中有2個振動傳感器和1個壓力傳感器,總共提取的原特征量為21個,通過 PCA分析可將故障特征向量減少到了11個。

              針對德國REXROTH液壓泵正常和4種球頭松動故障,各選取100個樣本,由于高度顯著,說明這4組特征向量有十分明顯的差異,故此類故障的不同故障程度是可以診斷的。

              選擇BP神經網絡的結構,對德國REXROTH液壓泵正常和設置的4種球頭松動故障在訓練誤差精度要求下對網絡進行訓練,通過改進算法的學習和訓練得到BP網絡的優化權值矩陣。在實際使用時,利用BP神經網絡的權值矩陣及其改進算法實現多故障的有效診斷。其中輸出節點1表示德國REXROTH液壓泵正常時神經網絡的輸出值,節點 2表示間隙為 6μm時神經網絡的輸出值,節點3表示間隙為9μm神經網絡的輸出值,節點4表示間隙為12μm時神經網絡的輸出值,節點5表示15μm時神經網絡的輸出值。

              利用BP神經網絡及其改進算法可以有效診斷不同間隙大小的球頭松動故障。

              5 結論

              本文通過德國REXROTH液壓泵出口的振動信號和壓力信號,通過 消噪處理有效提取故障特征,利用PCA分析很大程度上減少了信息融合特征向量的維數,通過可診斷性檢驗證明PCA重新組合的特征向量可以實現多故障診斷。在BP算法中引人附加動量項,獲得最優學習率,通過改進BP算法實現不同間隙大小球頭松動故障的有效診斷。

            亚洲一区AV在线观看3D动漫

            <legend id="ftsud"><i id="ftsud"></i></legend>
            <track id="ftsud"><i id="ftsud"></i></track>
          1. <ol id="ftsud"><output id="ftsud"></output></ol>
          2. <mark id="ftsud"><source id="ftsud"></source></mark>
              <ruby id="ftsud"></ruby><track id="ftsud"></track>