地理教育资料：如何在地质地形图上判断地质结构——由一道地理题引发的思考 机械振动论文： 基于神经网络的旋转机械振动故障诊断法 摘 要： 机械振动故障诊断技术引入人工神经网络，通过一个具有大量专门知识和经验的智能网络，对数据进行分析，模拟人类专家进行推理、判断和决策，从而获得分析结论。网络以振动信号的频域特征为输入，以故障模式编码为输出，通过MATLAB7.0人工神经网络工具箱构建网络，仿真结果
表
关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf
明对训练的特征样本进行模式识别具备了很高的准确率，实现了诊断分析的智能化。 关键词：人工神经网络； 机械故障； 机械振动； 人工智能 一、前言 随着机械设备自动化水平和复杂程度的提高，机械设备故障诊断的重要性日益显著，而选择合适的诊断
方法
快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载
对于诊断结果是否精确就显得更为重要。随着计算机技术的普及，故障的智能诊断显示出极大的优势。 传统的诊断分析方法是通过检测所获得的数据进行人工分析从而获得结论，这就要求技术人员要有很丰富的诊断经验以及很深厚的理论基础。本文所述就是一种新的分析实现方法。我们将机械振动故障诊断技术引入人工神经网络，通过一个具有大量专门知识和经验的智能网络，对数据进行分析，模拟根据人类专家的知识和经验进行推理、判断和决策，从而获得诊断结论的一种方法。 二、旋转机械振动分析法 旋转机械的主要功能是由旋转动作完成的，转子是其最主要的部件。其发生故障的重要特征是伴有异常振动和噪音，所以以其转子的振动信号为研究对象进行分析。常见的故障及其振动特征如下： 1、 不平衡，就是由于旋转体轴心周围的质量分布不均，使之在旋转中产生离心力而引起振动的现象。其主要特征：振动的时域波形为正弦波，频谱图中，谐波能量集中于基频，幅值稳定，转子的轴心轨迹为椭圆。 2、 不对中，就是用联轴节连接起来的两根轴的中心线不重合的现象。主要特征：振动二倍频较大，振动特性稳定，振动方向为径向、轴向，相位特征较稳定，轴心轨迹双环椭圆，振幅随转速、负荷变化都较为明显。 3、 油膜涡动，滑动轴承中由于油膜动力效应中涡动力和油膜阻尼力之间合成作用而引起的一种自激振动。主要特征：油膜涡动的低频成分较多，主要集中在半频或其以下，工频附近的振幅所占比例最大，振动和相位特征较为稳定，轴心轨迹为双环椭圆，振动主要方向为径向。 4、 轴承损坏，主要特征：轴承缺陷频率和谐波成分丰富，存在较宽的随机高频振动带，边带成分较明显或突出，轴承温度偏高。 5、 喘振，主要特征：振动在超低频分量出现，振动不稳定，相位不稳定，轴心轨迹紊乱。 6、轴承座松动，主要特征：松动的振动形式以径向垂直振动为主，在频谱图中，频谱除基频外，尚有部分高频成分及偶次分频，轴心轨迹混乱，重心漂移。但其能量主要集中在低于1/2倍频的低频区，轴心轨迹紊乱。 三、人工神经网络 （一）人工神经网络模型 人工神经网络（artificial neural network，ANN）就是在人们还不能清楚认识生物神经网络的基础上，将假想出来的能够反映生物神经元的基本功能的“人工神经元”，通过某种方式连接起来，就形成了一个能模拟推理、判断和决策能力的智能网络。 （二）BP神经网络模型及算法概述 本文实现分析所采用的网络为有反馈的前向网络（即BP神经网络）其结构如图3.1所示： 网络由输入层、隐含层和输出层构成，相邻层之间的神经元全互连，同一层内的神经元无连接。输入层、中间层和输出层的单元数分别是n，p和q，输入为ah(h=1,2,…n) ；中间层输出为bi(i=1,2,…p) ；网络实际输出为cj(j=1,2,…q)。cjk(j=1,2…q)表示训练样本期望输出。输入单元h到中间单元i的权值为Vhi，中间单元i到输出单元j的权值为Wij，用θi和θj来分别表示输出单元和中间单元的阈值。 当学习样本提供到网络后，神经元的激活值从输入层经中间层（隐层）向输出层传播，在输出层的各神经元获得网络的输入响应。接下来，按照减小目标输出与实际误差的方向，从输出层经中间层逐层修正各连接权值，最后回到输入层，BP网络就采用这种“误差逆传播算法”。随着这种误差逆传播修正不断进行，网络对输入模式响应的正确率也不断上升。其学习过程就是通过求实际输出与目标输出的误差来调整权值，再得出新的输出，再通过求输出与目标输出的误差来调整权值周而复始的过程，直到实际输出与目标输出的误差小于一定值。最后形成网络及其能满足要求的各网络权值，达到模式识别的目的并通过网络特性具备了一定的容错能力。流程如图3.2所示： 四、人工神经网络进行机械振动故障诊断的方法 由前文我们知道，振动的特征对故障形式具有一定的表征作用。主要以振动信号的频域特征作为故障征兆，经归一化处理后作为故障征兆，以及10种现场较常发生的典型故障作为网络输出，构成一个三层的BP网络，实现故障分析。 （一）特征样本与目标向量的确立 利用表4.1数据作为BP神经网络的训练样本数据。其中，f是振动故障分析中的振动频谱中的基频。 表4.2数据是BP神经网络的目标输出，与表4.1的样本集是一一对应。表中代码对应的故障类型为：0不平衡，1不对中，2油膜涡动，3推力轴承损坏，4喘振，5轴承座松动。 （二）网络结构的设计 采用带一层隐含层的BP网络，特征样本有9个参数输入，得输入层为9个神经元。目标输出有6种代码，得输出层为6个神经元。网络建立后，其训练的精度取决于隐含层神经元个数。由输入层和输出层神经元的个数，初步判断隐含层神经元个数在3-13之间，经过测试程序得到隐含层 11个神经元效果较好，网络结构如图4.1所示： （三）网络的训练 在MATLAB7.0环境下运用其人工神经网络工具箱训练该网络。 得训练曲线如图4.2所示： 训练结果： 在经过54次训练后，网络性能达到要求。 （四）仿真网络 在MATLAB7.0环境下运用其人工神经网络工具箱仿真网络。 得仿真结果如下表所示： 五、小结 仿真结果表明对训练的特征样本进行模式识别具备了很高的准确率。本网络主要是以振动信号的频域特征为输入，以故障模式编码为输出。在运用过程中当输入样本得到的输出量与实际故障不相符时，我们就把该输入加入训练样本，把该故障加入目标向量，将网络重新训练。随着训练样本，识别模式的增加，网络在容错能力以及识别范围上将不断完善。可见，机械振动故障诊断技术引入人工神经网络后，实现了分析的智能化。 参考文献： 〔1〕 张玲：《人工神经网络理论及应用》，浙江科学技术出版社1997年版。 〔2〕周开利、康耀红：《神经网络模型及其Matlab仿真程序设计》，清华大学出版社2005年版。 〔3〕 李国华，张永忠：机械故障诊断，北京化学工业出版社，1999年。 〔4〕 百木万博等：故障诊断、异常诊断及其对策，振动监测、机械振动讲演文集，机械工业部郑州机械研究所，1984年。 〔5〕 薛小兰，温秀兰，张鹏：基于遗传神经网络的机械振动信号预测，《弹箭与制导学报》，2007年第3期。
浙公网安备 33021202002483