為了能在有噪聲干擾的復(fù)雜環(huán)境下提取出滾動軸承振動信號的故障特征,提出了一種基于粒子群優(yōu)化神經(jīng)網(wǎng)絡(luò)的軸承故障特征頻率的提取方法。首先對采集的振動信號進(jìn)行降噪處理;其次,進(jìn)行特征提取與約簡;最后,采用群體智能算法——粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)初始權(quán)值和閾值,構(gòu)建二者結(jié)合的模型來預(yù)測滾動軸承剩余有效壽命,并結(jié)合試驗(yàn)平臺的實(shí)驗(yàn)數(shù)據(jù)對該模型進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果表明:該方法能夠很好的降低提取振動信號時(shí)由于噪音產(chǎn)生的影響,滾動軸承剩余的預(yù)測更加準(zhǔn)確。 

【文章來源】：組合機(jī)床與自動化加工技術(shù). 2020,(08)北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

式(3)中w為慣性權(quán)值;c1、c2為加速常數(shù);r1和r2為[0,1]的隨機(jī)數(shù);vij∈[-vmax,vmax],vmax為常數(shù),用來限定粒子的最大飛行速度。結(jié)合式(3)和式(4)更新粒子速度vi和位置xi,得到新的粒子并計(jì)算其適應(yīng)度值,更新粒子個(gè)體極值 p best ( i ) 和全局極值gbest。(5) 檢查粒子群算法是否達(dá)到進(jìn)化次數(shù)最大值,如果達(dá)到,則輸出全局最優(yōu)極值以及相應(yīng)的全局最優(yōu)適應(yīng)度值。否則,返回步驟(4)繼續(xù)執(zhí)行。

PRONOSTIA平臺[10]加速壽命試驗(yàn)通過提高軸承轉(zhuǎn)速和對軸承施加載荷,把壽命為上萬小時(shí)的軸承在僅僅幾個(gè)小時(shí)內(nèi)加速軸承退化,然后采集描述退化規(guī)律的試驗(yàn)數(shù)據(jù)。利用PRONOSTIA試驗(yàn)平臺對軸承的剩余壽命進(jìn)行預(yù)測,試驗(yàn)平臺由三部分組成:①由電機(jī)、變速箱、軸承、加速度傳感器和聯(lián)軸器組成。②加載部分。軸承的徑向載荷最大為4000N,通過設(shè)置這個(gè)值加速退化。③測量部分。加速度傳感器和溫度傳感器分別在水平和垂直方向上采集振動信息,設(shè)定為平臺的結(jié)構(gòu)如圖3所示。本文采用的試驗(yàn)數(shù)據(jù)為IEEE研究所在2012年組織的關(guān)于故障預(yù)測與健康管理(PHM)的中的數(shù)據(jù)。試驗(yàn)中的軸承一些基本參數(shù)見圖4。

【參考文獻(xiàn)】：
期刊論文
[1]降低非加油電機(jī)軸承故障率[J]. 商勇,劉菲.  甘肅科技. 2018(20)
[2]基于PHM的機(jī)載設(shè)備健康管理系統(tǒng)的研究與設(shè)計(jì)[J]. 許光濘,文欣秀,曾亞.  計(jì)算機(jī)時(shí)代. 2018(08)
[3]基于大數(shù)據(jù)背景的相關(guān)系數(shù)[J]. 蘇杭.  電子技術(shù)與軟件工程. 2018(07)
[4]基于灰色模型的滾動軸承剩余壽命預(yù)測[J]. 黎慧,張國文.  機(jī)械設(shè)計(jì)與研究. 2018(01)
[5]基于多頻率尺度模糊熵和ELM的滾動軸承剩余壽命預(yù)測[J]. 王付廣,李偉,鄭近德,徐培民.  噪聲與振動控制. 2018(01)
[6]滾動時(shí)域狀態(tài)估計(jì)中極小化問題的求解[J]. 胡磊,伊國興,南熠.  自動化儀表. 2017(12)

博士論文
[1]機(jī)械系統(tǒng)旋轉(zhuǎn)部件退化跟蹤與故障預(yù)測方法研究[D]. 錢宇寧.東南大學(xué) 2015

碩士論文
[1]旋轉(zhuǎn)機(jī)械故障特征提取及性能退化評估研究[D]. 成俊良.華東交通大學(xué) 2018
[2]基于多健康狀態(tài)評估的滾動軸承剩余壽命預(yù)測方法研究[D]. 張龍龍.電子科技大學(xué) 2014



本文編號：3584533