张俊-小波和RBF神经网络在滚动轴承故障诊断中应用1(3)

2021-04-05 17:27

3 试验研究

轴承故障模拟试验台由机械驱动装置、加载机构、固定装置和机座四部分组成。电机的额定功率为2.2kW , 额定转速为1420r/min。轴承为单列向心短圆柱滚子轴承, 实验时外圈固定不动。测量时振动信号采样频率8192Hz,加一个径向弹性载荷,采用实测单个轴承在整体无故障、内圈故障、外圈故障三种状态下运行时的振动信号, 分别在不同载荷和故障的情况下,选择正常轴承、内环故障轴承和外环故障轴承各10个做振动实验,其中24组数据用于训练神经网络,6 组数据用于验证神经网络,采集的其中一个轴承内圈故障信号如图1,其对应的正交小波分解后的波形结果如图2所示。

图1 内圈故障信号波形

图2 内圈有故障信号3 层正交小波分解后的波形

RBF网络结构为3层,分别将正常轴承和外圈、内圈有故障的轴承的T′作为神经网络的输入,隐层包括18个隐节点, 输出分别对应正常、外圈故障和内圈故障3种模式,(1 0 0)表示正常、(0 1 0)表示外圈故障、(0 0 1)表示内圈故障,即网络结构为8×18×3。采用Daubechies10(D10)对振动信号进行三层小波包分解,得到第三层8个频带的小波包分解系数,在训练精度为0.3% 的情况下,用24组数据对RBF网络进行训练学习,得到系统的网络模型。用剩余的6组轴承状态数据对该网络进行试验验证。表1为部分RBF网络训练和识别结果数据。

表1 轴承振动信号的能量特征向量及诊断结果 样本 E30 E31 E32 E33 E34 E35 1 2 3 4 5 6 7 8 9 10 11 12 13

0.6925 0.7126 0.7220 0.6810 0.0071 0.0036 0.0036 0.0036 0.0771 0.0878 0.0816 0.0842 0.7402

0.6277 0.6125 0.5844 0.6474 0.0141 0.0084 0.0085 0.0079 0.2097 0.2387 0.2105 0.2258 0.5912

0.0559 0.0507 0.0519 0.0538 0.8850 0.8853 0.8848 0.8864 0.5292 0.5615 0.6184 0.6273 0.0459

0.3506 0.3378 0.3664 0.3375 0.0225 0.0159 0.0139 0.0160 0.1406 0.1535 0.1422 0.1548 0.3166

0.0001 0.0001 0.0001 0.0001 0.0004 0.0005 0.0002 0.0004 0.0010 0.0010 0.0009 0.0017 0.0001

0.0017 0.0018 0.0018 0.0017 0.0005 0.0004 0.0004 0.0002 0.0058 0.0066 0.0065 0.0071 0.0015

E36

E37

诊断结果

训练样本 训练样本 训练样本 训练样本 训练样本 训练样本 训练样本 训练样本 训练样本 训练样本 训练样本 训练样本 (1 0 0)

轴承状态 正常 正常 正常 正常 外圈故障 外圈故障 外圈故障 外圈故障 内圈故障 内圈故障 内圈故障 内圈故障 正常

0.0048 0.0045 0.0048 0.0047 0.4647 0.4646 0.4657 0.4626 0.7956 0.7553 0.7272 0.7102 0.0042 0.0170 0.0164 0.0182 0.0166 0.0024 0.0023 0.0021 0.0020 0.1313 0.1610 0.1325 0.1412 0.0150


张俊-小波和RBF神经网络在滚动轴承故障诊断中应用1(3).doc 将本文的Word文档下载到电脑 下载失败或者文档不完整,请联系客服人员解决!

下一篇:Precise point positioning for the efficient and robust analy

相关阅读
本类排行
× 注册会员免费下载(下载后可以自由复制和排版)

马上注册会员

注:下载文档有可能“只有目录或者内容不全”等情况,请下载之前注意辨别,如果您已付费且无法下载或内容有问题,请联系我们协助你处理。
微信: QQ: