BP神经网络技术在滚动轴承故障诊断中的应用研究

滚动轴承失效是最常见的传动系统故障,滚动轴承一旦发生故障会造成极大的经济损失和安全风险。因此,在故障发生的早期进行故障诊断可以有效地避免损失,具有很大的实际意义。应用BP神经网络的相关理论,以滚动轴承工作过程中产生的摩擦因数、振动值和噪声值作为输入变量,通过训练获得的BP神经网络求得轴承的不同工作状态,从而实现轴承的故障诊断。     

一种用于故障隔离的参数区间包络线计算方法

基于参数区间的故障隔离方法的核心工具是区间判断阈值曲线,其计算一直是制约该方法发展的问题。参数区间动态轨迹包络线作为区间判断阈值曲线具有能够适用于多重参数故障隔离等优点,但包络线计算中的包裹效应问题在该领域内一直未能得到很好解决。介绍一种基于上、下函数的包络线计算方法,有别于区间算法计算的包络线随着迭代的进行而迅速变得肥大的可能性,采用该方法的仿真实验表明其计算的包络线的包裹效应得到很大程度上的减轻,可有效用于故障隔离的区间判断。     

基于POVMD和CAF的低转速齿轮箱故障诊断

针对低转速齿轮箱齿轮故障特征频率低、故障特征频率易被背景噪声淹没,使其难以准确提取的问题,提出了基于参数优化的变分模态分解(parameter optimization variational mode decomposition,简称POVMD)和循环自相关函数(cyclic autocorrelation function,简称CAF)结合的故障诊断方法。首先,通过POVMD对原始信号进行分解,选用余弦相似度度量选取敏感的本征模态函数(intrinsic mode function,简称IMF);其次,计算其循环自相关函数谱,获得包含调制特征的循环自相关函数谱切片;最后,使用Teager能量算子(Teager energy operator,简称TEO)算法对切片解调,提取故障特征频率。同时将本方法与相关方法进行了对比分析,特征频率提取效果更加显著,仿真信号和实验数据分析验证了该方法的有效性和可靠性。     

基于人工神经网络的柴油机失火故障诊断

车载诊断系统在诊断失火故障时,采用基于曲轴段角加速度和阈值规则相结合的方法,该方法在内燃机高速轻载运行时诊断单缸完全失火工况存在一定的局限性。通过对比分析失火和正常工况下曲轴瞬时转速的幅频和相频特征,提取不同谐次的幅值和相位信息,结合人工神经网络作为故障模式识别工具,得到了一种改善方法。通过台架实验,对此改善方法进行了单缸完全失火、两缸完全失火和单缸一定程度失火的故障诊断测试。结果表明,在实验条件下该方法可以有效识别不同的失火模式,并可在单缸失火模式下实现失火程度判别。同时,该方法通过少量工况数据训练神经网络,即可实现一定转速范围内的失火诊断,可行性强,可用于发动机失火故障在线诊断。