亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于時變自回歸模型與神經網絡的滾動軸承故障智能診斷

        2014-07-21 09:40:58謝三毛
        軸承 2014年10期
        關鍵詞:階數時變軸承

        謝三毛

        (華東交通大學 機電工程學院,南昌 330013)

        在機械故障診斷領域,將各種信號處理方法與神經網絡相結合是當前研究熱點。時變自回歸 (Time Varying Autoregressive, TVAR) 模型在時間序列自回歸建模的基礎上發(fā)展起來,非常適合于處理非平穩(wěn)信號[1],下文將TVAR模型與神經網絡相結合,用于滾動軸承故障智能診斷。

        1 TVAR建模原理與時變參數估計

        1.1 TVAR建模原理

        TVAR過程也稱為時變線性預測,其利用先前值xt-i估計當前值xt,數學表達式為

        (1)

        式中:ai(t)為時變系數,i=1,2,…,p;p為模型階數;et為模型殘差(均值為零,方差為σ2的白噪聲)。為了對軸承振動的非平穩(wěn)信號進行TVAR建模,必須選擇合適的模型階數p,確定模型的時變系數ai(t)。

        1.2 基于基函數算法的TVAR時變參數估計

        1.2.1 時變參數求解[2]

        (1)式中時變參數ai(t)是一組基函數的線性組合,可表示為

        (2)

        式中:m為擴展維數;aij為基函數組合的權值;gj(t)為一組時間基函數。為求解時變參數,令

        AT=(a10,…,a1m,…,ap0,…,apm),

        (3)

        式中:AT為1×p(m+1)矩陣;aij為基函數組合的權值,j=0,1,…,m。令

        …,xt-pgm(t)],

        (4)

        從而可將(1)式表達為最小二乘的形式

        (5)

        et與xt維數相同,將一個標量過程替換成向量,從而將線性非平穩(wěn)問題轉化成線性時不變問題。

        (6)

        (7)

        進而可以求得模型殘差et的方差σ2的最小二乘估計值為

        (8)

        1.2.2 基函數的選擇

        如果時變過程的先驗知識是已知的,選擇基函數時要保持參數變化的趨勢;如果時變過程的先驗知識是未知的,基函數的選擇需使得估計模型不斷逼近真實模型[3]。對于軸承故障信號,信號特征是未知的,因此采用Fourier基函數進行TVAR 模型參數估計。

        1.3 模型參數確定

        實際應用中,通常需要根據觀測數據確定模型的階次。AIC準則(Akaike Information Criterion)[4]是目前應用比較廣泛的定階方法,即最小化最終預測誤差的定階準則,在軸承故障診斷中能夠提供可靠的階數選擇,其數學表達式為

        (11)

        使用基函數求解時變自回歸模型的時變參數和模型階數時,模型的擴展維數m會對模型的階數p產生影響,一般模型的擴展維數取值范圍為8~12[5]。本次研究過程中發(fā)現擴展維數對模型最佳階數的影響并不大,因此,選擇擴展維數為10。

        2 滾動軸承故障特征提取

        2.1 數據采集

        采用DH5922N型動態(tài)信號測試系統(tǒng)采集MDT-3A型多功能振動試驗臺上的軸承振動信號。軸承型號為6204,內徑20 mm,外徑47 mm。用特種方法分別在外圈內表面、內圈外表面加工出寬4 mm的溝槽,并在鋼球表面加工出直徑3 mm的凹坑來模擬軸承故障。試驗的采樣頻率為10 kHz,每種模式各采集數據20 480點。截取連續(xù)的1 024點為一組,每種模式各得到20組數據,共獲得80組軸承振動信號數據,用于神經網絡訓練和診斷。

        2.2 模型階數分析

        使用Fourier基函數進行TVAR建模,采用AIC準則進行定階,可以得到軸承4種模式的預選階數與AIC值的關系,如圖1所示。

        圖1 軸承各種模式建模定階曲線

        從定階曲線圖上可以看出,外圈故障模式下建模分析的最佳階數是32,此時AIC值最小,為-4.617;內圈故障模式下建模分析的最佳階數是35,此時AIC值最小,為-5.017;鋼球故障模式下建模分析的最佳階數是26,此時AIC值最小,為-3.888;在無故障模式下建模分析的最佳階數是28,此時AIC值最小,為-3.900。

        2.3 基于TVAR模型時變參數特征提取

        時變參數可作為故障診斷的特征參數,對每種模式得到的20組數據進行參數化特征提取。由于軸承的4種故障模式振動信號適應的TVAR模型階數存在一定的差異,經多次試驗,發(fā)現模型階數為30時故障識別率最高,在此基礎上提取的特征樣本值見表1。

        表1 時變參數特征向量

        3 基于BP神經網絡的智能診斷

        3.1 BP神經網絡結構設計

        3.2 BP神經網絡訓練

        軸承故障診斷前,必須按照一定規(guī)則[7]對BP神經網絡進行訓練。網絡訓練輸入樣本采用4種模式(正常、內圈故障、外圈故障和鋼球故障)下包括表1在內的各10組時變參數特征向量,共40組,訓練輸出目標為(1 0 0 0),(0 1 0 0),(0 0 1 0)和(0 0 0 1),網絡訓練成功后進行保存。

        3.3 診斷測試

        在LabVIEW和MATLAB環(huán)境下開發(fā)滾動軸承智能診斷系統(tǒng),主要功能包括:軸承振動信號獲取、在線或離線分析、基于TVAR與神經網絡的智能診斷、查詢與保存診斷記錄等。診斷系統(tǒng)獲取數據后,可得到基于TVAR模型的時變參數特征值和基于神經網絡診斷結果,如圖2所示。將4種模式下剩余的40 組數據分別輸入診斷系統(tǒng),診斷結果見表2。

        表2 故障診斷結果

        從診斷結果可以看出,只有外圈故障的1組數據被錯誤診斷為鋼球故障,總體故障識別率達到了97.5%,說明基于TVAR模型和BP神經網絡診斷方法的準確率很高。

        4 結束語

        TVAR模型的時變參數能很好地表示軸承故障的特征,可以取得較好的信號處理效果,將其與BP神經網絡結合可以有效地診斷出軸承故障部位。

        猜你喜歡
        階數時變軸承
        軸承知識
        哈爾濱軸承(2022年2期)2022-07-22 06:39:32
        軸承知識
        哈爾濱軸承(2022年1期)2022-05-23 13:13:24
        關于無窮小階數的幾點注記
        大學數學(2021年5期)2021-10-30 09:01:04
        軸承知識
        哈爾濱軸承(2021年2期)2021-08-12 06:11:46
        軸承知識
        哈爾濱軸承(2021年1期)2021-07-21 05:43:16
        確定有限級數解的階數上界的一種n階展開方法
        基于時變Copula的股票市場相關性分析
        智富時代(2017年4期)2017-04-27 17:08:47
        煙氣輪機復合故障時變退化特征提取
        基于MEP法的在役橋梁時變可靠度研究
        一種新的多址信道有效階數估計算法*
        電訊技術(2014年1期)2014-09-28 12:25:26
        国产午夜福利av在线麻豆| 日韩精品一区二区亚洲av| 大陆一级毛片免费播放| 中文乱码字幕在线中文乱码| 亚洲av香蕉一区二区三区av| 中文字幕乱码无码人妻系列蜜桃 | 乌克兰粉嫩xxx极品hd| 国产精品久久码一区二区| 偷拍与自偷拍亚洲精品| 国产日本精品视频一区二区| 少妇无码吹潮| 97日日碰日日摸日日澡| 日本美女性亚洲精品黄色| 久久天天躁狠狠躁夜夜av浪潮 | 激情内射亚洲一区二区三区爱妻| 国产精品亚洲av网站| 国产精品亚洲一区二区三区16| 国产精品亚洲lv粉色| 亚洲中文无码成人影院在线播放| 日本护士一区二区三区高清热线 | 少妇久久高潮不断免费视频| 一本色道久久婷婷日韩| 天天弄天天模| 日本一区二区三区激情视频| 日韩一二三四区在线观看| 人妻丰满熟妇岳av无码区hd| 久久无码人妻一区二区三区午夜 | 亚洲精品国精品久久99热一| 亚洲欧美日韩精品香蕉| 免费国产一区二区视频| 国产精品www夜色视频| 国产美女在线一区二区三区| 激情视频在线播放一区二区三区| 久久久久av综合网成人| 中文字幕爆乳julia女教师| 男人深夜影院无码观看| 国产一区二区三区在线大屁股| 麻豆国产在线精品国偷产拍| 精品国产福利久久久| 精品国产日韩亚洲一区在线| 在线看无码的免费网站|