【摘 要】
：
通过对滚动轴承的振动信号进行处理,可以提取出其中包含的运转故障信息,从而判断轴承是否已发生故障或确定故障种类,达到故障诊断的目的.本文基于BP和RBF两种神经网络,对滚动轴承故障实验数据进行了训练和检验,获得了滚动轴承的故障特征向量,验证了将这两种神经网络方法应用于故障诊断方面的可靠性.
【机 构】
：
清华大学热能工程系,北京l00084
【出 处】
：
2012年全国振动工程及应用学术会议
论文部分内容阅读
通过对滚动轴承的振动信号进行处理,可以提取出其中包含的运转故障信息,从而判断轴承是否已发生故障或确定故障种类,达到故障诊断的目的.本文基于BP和RBF两种神经网络,对滚动轴承故障实验数据进行了训练和检验,获得了滚动轴承的故障特征向量,验证了将这两种神经网络方法应用于故障诊断方面的可靠性.
其他文献
为了研究应用金属磁记忆检测技术对齿轮进行故障诊断的有效性,对齿轮进行疲劳试验及磁记忆检测.通过分析齿轮疲劳试验之前及之后采集到的磁记忆信号,研究了地磁场作用下裂纹附近齿轮表面的弱磁信号的变化以及磁记忆效应,发现在疲劳裂纹及相邻区域,漏磁场的法向分量Hp(y)的梯度具有峰值特征,这表明磁记忆检测技术对齿轮疲劳裂纹早期故障诊断可能会有较好的效果.
低速重载设备承受着巨大的交变载荷和各种冲击,从噪声中提取信号,早期识别故障是国内外公认的难题.本文通过对在钢铁行业应用效果好的部分技术进行阐述和案例分析,有效地提高了故障特征的准确提取,以达到故障诊断的预期效果.
旋转机械设备运转一段时间后,其振动特性将会发生相应的变化.进行运行状态评估时采用自适应阈值确定方法比固定阈值更为有效地.研究了信号特征值的选取、分布以及自适应阈值的确定方法,并应用转子实验平台对给出的自适应阈值确定方法进行了实验验证,结果表明,在稳定工况下该方法能够较好的评估设备运行的振动状态.
随着计算机技术、信息技术和电子技术的快速发展,远程网络化故障诊断系统逐渐成为各个制造行业的关注焦点.高档数控机床以智能化和精密化等特点被各企业广泛应用,但是由于一些关键功能部件的集成化程度高,加工过程中往往会遇到精度退化、故障率高等问题.针对这些问题提出构建远程故障诊断平台,建立机床数据获取平台,研究运用粗糙集理论进行不确定性数据的有效获取,实现海量数据中获取有效信息.采用Browser/Serv
根据高层建筑的特点,将其简化成塔式结构模型.并对其纵向载荷的振动响应进行了分析,给出了最高点处的响应函数；讨论了动态响应下位移响应函数的求解方法；并用有限元对高层建筑和塔式建筑的振动进行了数值分析,通过图像对比了解析解和数值解.为进一步的高层建筑结构的强度、稳定性的设计打下了基础.
论述了核独立分量分析理论和算法,并应用到非线性混合盲分离中.通过核函数映射将非线性问题转换成高维线性特征空间,利用F相关系数定义对比函数,优化对比函数,得到分离矩阵.仿真结果表明,KICA方法处理非线性混合盲分离优于传统ICA方法.
轧机自激振动是制约冷轧薄板产量和产品质量提高的主要障碍之一.这种自激振动因其来势凶猛和超大的动态范围,一般的测振仪器和系统不能胜任,现场操作人员至今仍靠五官观察,随时进行紧急降速,以免造成断带或轧件表面缺陷.本文研制的报警装置专为预警这种突发性自激振动而设计,在系统的通讯、前端预处理和模型预警方面都采用了特别的处理,使系统的实时性、抗干扰能力、模型预警能力和扩展性优于常规的振动监测系统.系统对降低
针对滚动轴承的故障诊断,提出了基于改进粒子群算法优化的神经网络对故障进行模式识别,以振动信号的时、频域特征作为网络输入,以轴承的故障形式为输出.改进后的粒子群优化了惯性权重因子和速度向量的迭代计算方法,并与差分算法混合进行进化.仿真实验表明,基于改进后的粒子群的神经网络比收敛精度高,克服了标准粒子群算法和BP网络存在的易陷入局部最小点的特点.
本文将双谱分析方法与支持向量数据描述(SVDD)方法相结合用于滚动轴承的性能退化评估.该方法首先用双谱分析方法对正常运行状态下的数据进行特征提取并建立数据描述模板,再对各种故障数据进行双谱特征提取,然后依据SVDD算法定义广义距离差(ε)的概念来量化轴承的性能退化程度.通过滚动轴承仿真性能退化实验验证了提出方法的可行性与有效性.
对一起供热汽轮机转子弯曲事故的发生过程进行了分析,判断出造成该转子弯曲的主要原因是发生了动静碰摩,引起动静碰摩的直接原因则是上下缸温差过大.对该弯曲转子实施了校直、低速动平衡、联轴器端面瓢偏修复等技术措施后,机组顺利启动、并网发电,各轴承振动水平达到优良.