本发明专利技术涉及一种基于改进BP神经网络和模糊集理论的轴承健康度评价方法。其步骤如下：1）采集原始信号；2）对步骤1）采集的信号进行FFT变换和滤波降噪处理；3）提取滤波降噪之后的振动信号的特征，获得特征参数；具体步骤如下：在FFT降噪处理的频域信号中选取7个状态参数；通过DI来评估状态参数的灵敏度；选取DI均值较大的四个参数作为BP神经网络输入层的特征参数；4）建立改进BP神经网络模型；5）将选定的四个特征参数输入改进BP神经网络进行状态识别，计算出健康度数值。运用本方法能够针对轴承运行状态进行分析，对轴承健康度进行分级，进而分析有关状态的情况及发展趋势并对滚动轴承做出干预决策。
【技术实现步骤摘要】
本专利技术涉及ー种用于评价机械轴承运行状态的评价方法。
技术介绍
滚动轴承是旋转机械广泛使用的组件，滚动轴承的健康状况会对整个机械的运行产生重大影响。许多研究已经运用神经网络对机械进行诊断，但是这些研究在前期数据的特征提取方法还有待更新，后期轴承健康度方面的分析还存在不足。滚动轴承的故障诊断与预测技术涉及到相互关联、相互制约的多个层次和众多因素，其中有很多因素对于轴承的正常运行来说并不是致命的，由于这些因素发生故障，滚动轴承并不会瘫痪，只是介于正常和故障两种状态之间帯“病”运行。在这种状态下如果对系统进行停エ维修，将会带来经济上的巨大损失，如果允许其继续运行而不采用措施进行修正，则有可能引起不可预料的严重损害。而目前现役的滚动轴承帯“病”工作的情况非常普遍，如疲劳断裂、磨损、蠕变等。这在生产方面存在的巨大的安全隐患，只对轴承的运行状态分为“正常”和“故障”两种状态是不够的，实现轴承“亚健康”状态的协调控制已成为迫切需要解决的问题。而目前关于这些问题大都没有定量标准计算，相应的理论与工程应用研究偏少。
技术实现思路
为了解决上述存在的技术问题，本专利技术提供ー种能够针对轴承运行状态进行分析，将轴承运行状态分为正常、故障及亚健康三种，通过测量轴承灵敏度提取特征參数，运用基于卡尔曼思想的BP神经网络对数据进行分析，最后用基于模糊集理论的轴承健康度状况评价准则对轴承健康度进行分级，进而分析有关状态的情况及发展趋势并对滚动轴承做出干预决策。本专利技术的目的是通过下述技术方案实现的基于改进BP神经网络和模糊集理论的轴承健康度评价方法，其特征在于，步骤如下1)采集原始信号通过数据采集系统采集由轴承上的加速度传感器收集的振动信号； 2)对步骤I)采集的信号进行FFT变换和滤波降噪处理； 3)提取滤波降噪之后的振动信号的特征，获得特征參数；具体步骤如下在FFT降噪处理的频域信号中选取7个状态參数 (a)平均特征频率:权利要求1.基于改进BP神经网络和模糊集理论的轴承健康度评价方法，其特征在干，步骤如下 1)采集原始信号通过数据采集系统采集由轴承上的加速度传感器收集的振动信号； 2)对步骤I)采集的信号进行FFT变换和滤波降噪处理； 3)提取滤波降噪之后的振动信号的特征，获得特征參数；具体步骤如下在FFT降噪处理的频域信号中选取7个状态參数 (a)平均特征频率2.根据权利要求I所述的基于改进BP神经网络和模糊集理论的轴承健康度评价方法，其特征在于所述的步骤2)中对原始信号进行FFT变换和滤波降噪处理的具体流程如下 ①对时域信号f(t)进行FFT运算得到其傅里叶变换后的频谱信号F(co)； ②根据频谱，利用滤波器H(co)对信号的噪声部分进行抑制，得到降噪后的频谱信号 ③对降噪后的频谱G(co)作傅里叶逆变换，得到降噪后的信号g(t)。全文摘要本专利技术涉及一种基于改进BP神经网络和模糊集理论的轴承健康度评价方法。其步骤如下1)采集原始信号；2)对步骤1)采集的信号进行FFT变换和滤波降噪处理；3)提取滤波降噪之后的振动信号的特征，获得特征参数；具体步骤如下在FFT降噪处理的频域信号中选取7个状态参数；通过DI来评估状态参数的灵敏度；选取DI均值较大的四个参数作为BP神经网络输入层的特征参数；4)建立改进BP神经网络模型；5)将选定的四个特征参数输入改进BP神经网络进行状态识别，计算出健康度数值。运用本方法能够针对轴承运行状态进行分析，对轴承健康度进行分级，进而分析有关状态的情况及发展趋势并对滚动轴承做出干预决策。文档编号G06N3/02GK102788696SQ20121025296公开日2012年11月21日 申请日期2012年7月21日 优先权日2012年7月21日专利技术者张利, 张立勇, 杨永波, 田立, 赵中洲 申请人:辽宁大学本文档来自技高网...
【技术保护点】
基于改进BP神经网络和模糊集理论的轴承健康度评价方法，其特征在于，步骤如下：1）采集原始信号：通过数据采集系统采集由轴承上的加速度传感器收集的振动信号；2）对步骤1）采集的信号进行FFT变换和滤波降噪处理；3）提取滤波降噪之后的振动信号的特征，获得特征参数；具体步骤如下：在FFT降噪处理的频域信号中选取7个状态参数：（a）平均特征频率：？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？(1)（b）平均关闭率：？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？(2)（c）波形的稳定指数：？？？？？？？？？？？？？？？(3)（d）波动率：？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？(4)（e）曲率：？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？(5)（f）峭度：？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？(6)（g）平方根比率：？？？？？？？？？？？？？？？？？？？？？？？？？？？？？？(7)其中是频谱线条数，是振动频率，是振动频率对应的信号功率谱，是标准差，是平均值；针对上述各状态的敏感性进行评估，具体评估方法如下：任意选取2个状态，计算P1至P7每个参数在这2个状态下的区分指数DI值；？其中1、2分别代表状态1、状态2下各参数的均值，1、2分别代表状态1、状态2下各参数的标准差；通过DI来评估状态参数的灵敏度；选取DI均值较大的四个参数作为BP神经网络输入层的特征参数；4）建立改进BP神经网络模型，具体步骤：首先，建立三层改进BP神经网络模型拓扑结构图，其输入层有6个节点，4个用来输入特征参数，2个用来输入反馈值；输出层有3个节点，用来输出3个隶属度值；隐含层是1层，节点数是8；其次，通过训练神经网络来确定各节点间的权值；5）将选定的四个特征参数输入改进BP神经网络进行状态识别，输出三个隶属度值b1、b2、b3，根据健康度与隶属度关系式，健康度，计算出健康度数值；根据轴承健康度的阈值来判定轴承所处运行状态为健康、亚健康或故障，当，轴承为健康状态，当？，轴承处于亚健康状态，当？，轴承处于故障状态。733316dest_path_image001.jpg,500152dest_path_image002.jpg,711560dest_path_image003.jpg,153037dest_path_image004.jpg,506570dest_path_image005.jpg,755892dest_path_image006.jpg,752798dest_path_image007.jpg,496501dest_path_image008.jpg,590359dest_path_image009.jpg,262780dest_path_image010.jpg,137912dest_path_image011.jpg,921191dest_path_image012.jpg,305774dest_path_image013.jpg,211413dest_path_image014.jpg,330734dest_path_image015.jpg,336867dest_path_image015.jpg,849625dest_path_image016.jpg,105157dest_path_image017.jpg,495819dest_path_image018.jpg,923170dest_path_image019.jpg...
【技术特征摘要】
【专利技术属性】
技术研发人员：张利，杨永波，张立勇，田立，赵中洲，
申请(专利权)人：辽宁大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。