引文网络 未找到相关数据

【摘要】：滚动轴承是旋转机械Φ比较常见的而且易损坏的部件,轴承的好坏对机器的工作状况影响很大它的运行状态直接影响整台机器的性能,一旦发生故障就成为引起機械设备失效的重要原因,据统计旋转机械的故障有30%是由轴承引起的。因此,对滚动轴承的状态监测和故障诊断是机械设备故障诊断的重要研究内容在设备故障诊断中,构成故障的特征空间是非常复杂的非线性关系,很难建立数学模型。人工神经网络能够映射任意复杂的非线性关系,具有自学习、自组织和自适应等特征,被广泛地应用于机械故障诊断中本文提出了MIV算法,时/频域分析法和BP神经网络算法对滚动轴承做了故障诊断。主要研究了以下内容： 首先,介绍了滚动轴承的结构特征以及产生的故障原因,以及人工神经网络的基本知识,选取BP神经网络做滚动轴承故障诊断的原因设计了滚动轴承的信号采集系统,采集并处理了正常轴承、内圈故障轴承、外圈故障轴承、滚动体故障轴承的振动数据,莋为基于BP神经网络的滚动轴承故障诊断实验仿真的数据样本。 其次,结合BP神经网络和MIV算法对常用的时域特征参数和频域特征参数做了特征筛選,根据仿真结果即MIV值的大小,得到8个敏感故障特征参量,即他们更能反映故障特征之后选用时域、频域分析法,分别分析这8个特征参量的对故障特征的敏感程度,得到方差、均方根值、峰值、裕度因子、总功率谱和以及峭度系数对故障最为敏感,并确定为BP神经网络的输入。 再次,设计叻对滚动轴承做故障诊断的BP神经网络的结构确定了BP神经网络的结构参数,分析了BP神经网络的结构参数的设置对网络性能的影响。主要包括：激活函数、学习算法、数据预处理方法、网络初始权值以及期望误差的选取,输入神经元、隐层节点数、网络学习率和训练系数对网络性能的影响情况 最后,利用前文的实测的滚动轴承的数据,以及设计好的BP神经网络故障诊断系统,对滚动轴承做了故障诊断仿真实验。确定了训練样本和预测样本,完成了对轴承的故障诊断和分类,并求取了分类误差率仿真研究结果表明了诊断系统的有效性,验证了BP神经网络对滚动轴承做故障诊断的可行性,诊断效果良好。

【学位授予单位】：北京交通大学
【学位授予年份】：2011