智能化軸承狀態(tài)檢測

姓姓名：黎明一、緒論滾動軸承作為機(jī)械設(shè)備中最常用的部件之一,對其進(jìn)行故障監(jiān)測和診斷是國內(nèi)外工程技術(shù)領(lǐng)域一直非常關(guān)注的課題.滾動軸承是易損監(jiān)測與故障診斷作為預(yù)測性和預(yù)防性維修制度的一個重要環(huán)節(jié),它所能給滾動軸承所取得的效益是巨大的,因此對滾動軸承實行狀態(tài)監(jiān)測滾動軸承常見失效形式的特點(diǎn)和原因式磨料磨損磨料引起的振動料疲疲勞磨損粘著磨損滾動體和滾道表面磨損引起麻點(diǎn)粘在滾動體上潤滑不良及過濾欠佳導(dǎo)致軸剩磨料橢圓度誤與軸承座中或軸撓安裝微動微動磨損斷裂腐蝕滾道、兜孔或滾動體上的邊裂痕或麻點(diǎn)顆粒大加融，呈搓板狀凹壓痕電流通過靜載過大；有沖擊磨料作用且靜止時有振動料作用②(1)疲勞剝落：作用，首先在表面下一定深度處(最大剪應(yīng)力處)形成裂紋，繼而擴(kuò)展到接觸表(2)磨損：(3)塑性變形：(4)銹蝕：(5)斷裂：(6)膠合：(7)保持架損壞：。低頻沖擊會引起SPM傳感器的共靈敏度和可靠性，有以下技術(shù)特點(diǎn)：共振解調(diào)波與故障有故障才有譜線,無故障則無譜線；共振解調(diào)幅值與故性好的特點(diǎn)；沖擊故障頻率呈多階性。征，量的診斷方法RBF故障進(jìn)行模式識別。應(yīng)用RBF神經(jīng)網(wǎng)絡(luò)對進(jìn)行非線性動力特征幾何不變量提取可達(dá)到百分之百的故障識別率。人工智能是20世紀(jì)50年代興起的覆蓋面很廣的一門新學(xué)科，其主要目標(biāo)二、數(shù)據(jù)處理本實驗中，軸承共有兩種狀態(tài)，即正常(Z)和故障(G)。且變頻器在頻變頻器頻率樣本123456789命名樣本123456789命名表示樣本1~10。N0;%采樣點(diǎn)數(shù)fNfsN轉(zhuǎn)換t從從頻域圖可以明顯看出，零均值后消除=0處出現(xiàn)一個由直流分量產(chǎn)生的大譜峰(將近達(dá)到4.5104)，處理后避免了其對周tfsN1)/fs)';%離散時間列向量GbpolyfittG15,6);%計算多項式待定系數(shù)向量G2515b=G2515-polyval(G2515b,t);%用G2515減去多項式系數(shù)生成的趨勢項,G2515b即為消除趨勢項后的數(shù)據(jù)subplot(2,1,1),plot(G2515);subplot(2,1,2),plot(G25顯15示b)G;515與G2515bforj=3:N-2際信號都是復(fù)雜周期性信號與隨機(jī)信號的混合，而且周期性信號往往是研究對甚至使低頻譜完全失去真實性。因此測試信號分析中常要消除趨勢項。aGb(1)=(69*a(1)+4*(a(2)+a(4))-6*a(3)-a(5))/70;b(2)=(2*(a(1)+a(5))+27*a(2)+12*a(3)-8*a(4))/35;bj(a(j-2)+a(j+2))+12*(a(j-1)+a(j+1))+17*a(j))/35;bN2*(a(N)+a(N-4))+27*a(N-1)+12*a(N-2)-8*a(N-3))/35;bNa(N)+4*(a(N-1)+a(N-3))-6*a(N-2)-a(N-4))/70;ha，rp2;%通帶波動系數(shù)rs=60;%阻帶波動系數(shù)rprszplotWfspiabsH));grid;%巴特沃斯濾波器頻率響應(yīng)圖subplot(2,1,1),plot(G2515);subplot(2,1,2),plot(G2515b);%顯示G2515與G2515b設(shè)x為采集到的振動信號序列,i=1,2,…,N，其中有量綱量包括:iNiNi1均值X表示隨機(jī)過程的中心趨勢，隨機(jī)過程都是圍繞著它聚集和波動，是xii1x③均方根值:XXNii=1能量相對應(yīng)。用均方根值來度量振動量級有以下優(yōu)點(diǎn):它既考慮到了振動時間變④峰值(Peak):X=(max(x)min(x))peak2ii括:①峰值因子(CrestFactor):C=XpeakfX峰值因數(shù)表示波形是否有沖擊的指標(biāo)。峰值因數(shù)不受振動信號的絕對水平傳感器的靈敏度即使有變動，也不會出現(xiàn)測量誤差。。波形系數(shù)為均方根值與絕對均值之比。④脈沖因子(ImpulseFactor):I=XPeakNii=1脈沖因子為峰值與絕對均值之比。脈沖因子對于沖擊脈沖類缺陷比較敏感，特別是出現(xiàn)早期缺陷時，它有明顯增加;當(dāng)上升到一定程度后，隨著缺陷的逐漸Xfx)2fx)2NN%G251f為方差G1rms均方根值Gpeak峰值Gc峰值因子G251k=sum(G251l.^4)/((G251rms.^4)*20000);%G251k為峭度系數(shù)GsG51rms*20000)/sum(abs(G251l));%G251s為波形因子GclGpeaksumsqrtabsG1l)))/20000).^2;%G251cl裕度因子G251i=(G251peak*20000)/sum(abs(G251l));%G251i脈沖因子由此得到G251的時域特征值時域特時域特征值值(e-15)均方根值RMS差波形因脈沖因子I裕度因子CLpeak樣本狀態(tài)故障軸承正常軸承i=1i=1i=1RMSF=MSFRVF=VFiiY=i=2i=1=i=2i=1VFMSFFC方頻率G251fc=(sum(G251gg))/(2*pi*sum(G251l.^2)%);G251fc重心頻率狀樣本態(tài)故障軸承正常軸承參數(shù)譜特征值功率譜特征值小波包絡(luò)譜特征值20.2082355292.6835.12560.145723.6590.160090.381650.0366120.062220.145732.07363.64541.90325.56722.682.71426.14175.63821.6142357536.4130.1111525.2070.144930.462280.04630.04700.111156.69226.95566.01998.4098.08385.87832556371.6423.11380.1271122.6160.111150.830620.0290260.0306790.1271152.98656.1674.1564.52869.5149.51168.98941.4222419182.5828.5130.2179920.1470.0577310.176020.0189680.0535820.21799739.78988.451523.13523.45320.90935.5453.9112551688.20639.8160.1330822.0350.095550.207540.0521470.03480.1330825.34329.63622.95522.00921.32125.05321.95212212934.610.116450.0476820.309650.0173780.0600580.116456.67056.40078.32095.65063.975662468244.1810.1695322.9210.119960.456920.0467240.0690370.1695365.44534.44645.289.73445.09330.6674232.7782193099.6160.104650.170220.260680.0278490.0461060.1046540.71543.09234.88139.61536.24538.42831.58936.2439.623244541.320.1325325.9090.120520.46850.01660.031270.1325330.96831.10742.17334.31933.9456.8135.94731.99443.1264409820.6185.67890.1226221.4230.09080.19640.02530.03320.1226232.07363.64541.90325.56722.682.71426.14175.638時域特征值參數(shù)值26.339.891209.630.661754.29260.01050.025890.869720.6617530.5369.835741.0685.87459.60182.233533278.436.14390.753824.6910.0106060.012690.842040.7538234.26839.6223.0455.75540330.376044.30520.00670.01580.559290.3760448.1153.13462.682371084850.536934.06210.00880.014460.887530.5369344.499.592934.5255.42368.47692.181120.6550.266234.31770.02020.01220.335262.08170.2662336.8169.7143.63112.06499.790321.835450.489674.50990.0210930.019770.639580.4896719.58210.70541.6733.81348.57611.959714.14815.5072.566938.780.336034.51120.00980.00800.497720.3360342.85439.0114.44728.76672.00914.84250.524594.19450.024390.015190.693720.5245923.36840.6958.62382.204920.0470.623114.93810.0191760.0110960.338240.6231129.00242.7175.96629.28232.10724.4953.60.23059 4.3780.01545 0.0140060.554790.2305927.35210.28132.9677.372210.0342.049319.991采集來的軸承振動信號的原始數(shù)據(jù)通過數(shù)據(jù)處理得到一系列能反映軸承工作狀有了這些特征值，我們便可以通過人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)對軸承狀態(tài)的檢測。三、人工神經(jīng)網(wǎng)絡(luò)及識別模式相互信息傳遞的基本單元。據(jù)神經(jīng)生物學(xué)家研究的結(jié)果表明，人的大腦一般有103.1.2人工神經(jīng)元模型神經(jīng)網(wǎng)絡(luò)是由許多相互連接的處理單元組成。這些處理單元通常線性排列成組，稱為層。每一個處理單元有許多輸入量，而對每一個輸入量都相應(yīng)有一個相關(guān)聯(lián)的權(quán)重。處理單元將輸入量經(jīng)過加權(quán)求和，并通過傳遞函數(shù)的作用得到輸出量，再傳給下一層的神經(jīng)元。目前人們提出的神經(jīng)元模型已有很多，其中提出最早且影響最大的是1943年心理學(xué)家McCulloch和數(shù)學(xué)家Pitts在分析總結(jié)神經(jīng)元基本特性的基礎(chǔ)上首先提出的M-P模型，它是大多數(shù)神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)。式(1.1)中,Wj為神經(jīng)元單元的偏置(閾值)，Wji為連接權(quán)系數(shù)(對于Yj為神經(jīng)元輸出，t為時間，f()為輸出變換函數(shù)，有時叫做激發(fā)或激勵函數(shù)，往往采用0和1二值函數(shù)或S形函數(shù)。3.1.3人工神經(jīng)網(wǎng)絡(luò)概念人工神經(jīng)網(wǎng)絡(luò)(ArtificialNeuralNetworks,ANN)，一種模仿動物神經(jīng)網(wǎng)絡(luò)行為特征，進(jìn)行分布式并行信息處理的算法數(shù)學(xué)模型。這種網(wǎng)絡(luò)依靠系統(tǒng)的復(fù)雜程度，通過調(diào)整內(nèi)部大量節(jié)點(diǎn)之間相互連接的關(guān)系，從而達(dá)到處理信息的目的。人工神經(jīng)網(wǎng)絡(luò)具有自學(xué)習(xí)和自適應(yīng)的能力，可以通過預(yù)先提供的一批相互對應(yīng)的輸入－輸出數(shù)據(jù)，分析掌握兩者之間潛在的規(guī)律，最終根據(jù)這些規(guī)律，用新的輸入數(shù)據(jù)來推算輸出結(jié)果，這種學(xué)習(xí)分析的過程被稱為“訓(xùn)練”。(引自《環(huán)球科學(xué)》2007年第一期《神經(jīng)語言：老鼠胡須下的由大量處理單元互聯(lián)組成的非線性、自適應(yīng)信息處理系統(tǒng)。它是在現(xiàn)代神經(jīng)科學(xué)研究成果的基礎(chǔ)上提出的，試圖通過模擬大腦神經(jīng)網(wǎng)絡(luò)處理、記憶信息的方式進(jìn)行信息處理。人工神經(jīng)網(wǎng)絡(luò)具有四個基本特征：(1)非線性非線性關(guān)系是自然界的普遍特性。大腦的智慧就是一種非線性現(xiàn)象。人工神經(jīng)元處于激活或抑制二種不同的狀態(tài)，這種行為在數(shù)學(xué)上表現(xiàn)為一種非線性關(guān)系。具有閾值的神經(jīng)元構(gòu)成的網(wǎng)絡(luò)具有更好的性能，可以提高容錯性和存儲容量。(2)非局限性一個神經(jīng)網(wǎng)絡(luò)通常由多個神經(jīng)元廣泛連接而成。一個系統(tǒng)的整體行為不僅取決于單個神經(jīng)元的特征，而且可能主要由單元之間的相互作用、相互連接所決定。通過單元之間的大量連接模擬大腦的非局限性。聯(lián)想記憶是非局限性的典型例子。(3)非常定性人工神經(jīng)網(wǎng)絡(luò)具有自適應(yīng)、自組織、自學(xué)習(xí)能力。神經(jīng)網(wǎng)絡(luò)不但處理的信息可以有各種變化，而且在處理信息的同時，非線性動力系統(tǒng)本身也在不斷變化。經(jīng)常采用迭代過程描寫動力系統(tǒng)的演化過程。(4)非凸性一個系統(tǒng)的演化方向，在一定條件下將取決于某個特定的狀態(tài)函數(shù)。例如能量函數(shù)，它的極值相應(yīng)于系統(tǒng)比較穩(wěn)定的狀態(tài)。非凸性是指這種函數(shù)有多個極值，故系統(tǒng)具有多個較穩(wěn)定的平衡態(tài)，這將導(dǎo)致系統(tǒng)演化的多樣性。人工神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元處理單元可表示不同的對象，例如特征、字母、概念，或者一些有意義的抽象模式。網(wǎng)絡(luò)中處理單元的類型分為三類：輸入單元、輸出單元和隱單元。輸入單元接受外部世界的信號與數(shù)據(jù)；輸出單元實現(xiàn)系統(tǒng)處理結(jié)果的輸出；隱單元是處在輸入和輸出單元之間，不能由系統(tǒng)外部觀察的單元。神經(jīng)元間的連接權(quán)值反映了單元間的連接強(qiáng)度，信息的表示和處理體現(xiàn)在網(wǎng)絡(luò)處理單元的連接關(guān)系中。人工神經(jīng)網(wǎng)絡(luò)是一種非程序化、適應(yīng)性、大腦風(fēng)格的信息處理，其本質(zhì)是通過網(wǎng)絡(luò)的變換和動力學(xué)行為得到一種并行分布式的信息處理功能，并在不同程度和層次上模仿人腦神經(jīng)系統(tǒng)的信息處理功能。它是涉及神經(jīng)科學(xué)、思維科學(xué)、人工智能、計算機(jī)科學(xué)等多個領(lǐng)域的交叉學(xué)科。人工神經(jīng)網(wǎng)絡(luò)是并行分布式系統(tǒng)，采用了與傳統(tǒng)人工智能和信息處理技術(shù)完全不同的機(jī)理，克服了傳統(tǒng)的基于邏輯符號的人工智能在處理直覺、非結(jié)構(gòu)化信息方面的缺陷，具有自適應(yīng)、自組織和實時學(xué)習(xí)的特點(diǎn)。人工神經(jīng)網(wǎng)絡(luò)特有的非線性適應(yīng)性信息處理能力，克服了傳統(tǒng)人工智能方法對于直覺，如模式、語音識別、非結(jié)構(gòu)化信息處理方面的缺陷，使之在神經(jīng)專家系統(tǒng)、模式識別、智能控制、組合優(yōu)化、預(yù)測等領(lǐng)域得到成功應(yīng)用。人工神經(jīng)網(wǎng)絡(luò)與其它傳統(tǒng)方法相結(jié)合，將推動人工智能和信息處理技術(shù)不斷發(fā)展。近年來，人工神經(jīng)網(wǎng)絡(luò)正向模擬人類認(rèn)知的道路上更加深入發(fā)展，與模糊系統(tǒng)、遺傳算法、進(jìn)化機(jī)制等結(jié)合，形成計算智能，成為人工智能的一個重要方向，將在實際應(yīng)用中得到發(fā)展。將信息幾何應(yīng)用于人工神經(jīng)網(wǎng)絡(luò)的研究，為人工神經(jīng)網(wǎng)絡(luò)的理論研究開辟了新的途徑。神經(jīng)計算機(jī)的研究發(fā)展很快，已有產(chǎn)品進(jìn)入市場。光電結(jié)合的神經(jīng)計算機(jī)為人工神經(jīng)網(wǎng)絡(luò)的發(fā)展提供了良好條件。人工神經(jīng)網(wǎng)絡(luò)模型主要考慮網(wǎng)絡(luò)連接的拓?fù)浣Y(jié)構(gòu)、神經(jīng)元的特征、學(xué)自組織映射、Hopfield網(wǎng)絡(luò)、波耳茲曼機(jī)、適應(yīng)諧振理論等。根據(jù)連接的拓?fù)浣Y(jié)構(gòu)，神經(jīng)網(wǎng)絡(luò)模型可以分為：(1)前向網(wǎng)絡(luò)網(wǎng)絡(luò)中各個神經(jīng)元接受前一級的輸入，并輸出到下一級，網(wǎng)絡(luò)中沒有反饋，可以用一個有向無環(huán)路圖表示。這種網(wǎng)絡(luò)實現(xiàn)信號從輸入空間到輸出空間的變換，它的信息處理能力來自于簡單非線性函數(shù)的多次復(fù)合。網(wǎng)絡(luò)結(jié)構(gòu)簡單，易于實現(xiàn)。反傳網(wǎng)絡(luò)是一種典型的前向網(wǎng)絡(luò)。(2)反饋網(wǎng)絡(luò)網(wǎng)絡(luò)內(nèi)神經(jīng)元間有反饋，可以用一個無向的完備圖表示。這種神經(jīng)網(wǎng)絡(luò)的信息處理是狀態(tài)的變換，可以用動力學(xué)系統(tǒng)理論處理。系統(tǒng)的穩(wěn)定性與聯(lián)想記憶功能有密切關(guān)系。Hopfield網(wǎng)絡(luò)、波耳茲曼機(jī)均屬于這種類型。學(xué)習(xí)是神經(jīng)網(wǎng)絡(luò)研究的一個重要內(nèi)容，它的適應(yīng)性是通過學(xué)習(xí)實現(xiàn)的。根據(jù)環(huán)境的變化，對權(quán)值進(jìn)行調(diào)整，改善系統(tǒng)的行為。由Hebb提出的Hebb學(xué)習(xí)規(guī)則為神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法奠定了基礎(chǔ)。Hebb規(guī)則認(rèn)為學(xué)習(xí)過程最終發(fā)生在神經(jīng)元之間的突觸部位，突觸的聯(lián)系強(qiáng)度隨著突觸前后神經(jīng)元的活動而變化。在此基礎(chǔ)上，人們提出了各種學(xué)習(xí)規(guī)則和算法，以適應(yīng)不同網(wǎng)絡(luò)模型的需要。有效的學(xué)習(xí)算法，使得神經(jīng)網(wǎng)絡(luò)能夠通過連接權(quán)值的調(diào)整，構(gòu)造客觀世界的內(nèi)在表示，形成具有特色的信息處理方法，信息存儲和處理體現(xiàn)在網(wǎng)絡(luò)的連接中。根據(jù)學(xué)習(xí)環(huán)境不同，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)方式可分為監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)。在監(jiān)督學(xué)習(xí)中，將訓(xùn)練樣本的數(shù)據(jù)加到網(wǎng)絡(luò)輸入端，同時將相應(yīng)的期望輸出與網(wǎng)絡(luò)輸出相比較，得到誤差信號，以此控制權(quán)值連接強(qiáng)度的調(diào)整，經(jīng)多次訓(xùn)練后收斂到一個確定的權(quán)值。當(dāng)樣本情況發(fā)生變化時，經(jīng)學(xué)習(xí)可以修改權(quán)值以適應(yīng)新的環(huán)境。使用監(jiān)督學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)模型有反傳網(wǎng)絡(luò)、感知器等。非監(jiān)督學(xué)習(xí)時，事先不給定標(biāo)準(zhǔn)樣本，直接將網(wǎng)絡(luò)置于環(huán)境之中，學(xué)習(xí)階段與工作階段成為一體。此時，學(xué)習(xí)規(guī)律的變化服從連接權(quán)值的演變方程。非監(jiān)督學(xué)習(xí)最簡單的例子是Hebb學(xué)習(xí)規(guī)則。競爭學(xué)習(xí)規(guī)則是一個更復(fù)雜的非監(jiān)督學(xué)習(xí)的例子，它是根據(jù)已建立的聚類進(jìn)行權(quán)值調(diào)整。自組織映射、適應(yīng)諧振理論網(wǎng)絡(luò)等都是與競爭學(xué)習(xí)有關(guān)的典型模型。研究神經(jīng)網(wǎng)絡(luò)的非線性動力學(xué)性質(zhì)，主要采用動力學(xué)系統(tǒng)理論、非線性規(guī)劃理論和統(tǒng)計理論，來分析神經(jīng)網(wǎng)絡(luò)的演化過程和吸引子的性質(zhì)，探索神經(jīng)網(wǎng)絡(luò)的協(xié)同行為和集體計算功能，了解神經(jīng)信息處理機(jī)制。為了探討神經(jīng)網(wǎng)絡(luò)在整體性和模糊性方面處理信息的可能，混沌理論的概念和方法將會發(fā)揮作用?；煦缡且粋€相當(dāng)難以精確定義的數(shù)學(xué)概念。一般而言，“混沌”是指由確定性方程描述的動力學(xué)系統(tǒng)中表現(xiàn)出的非確定性行為，或稱之為確定的隨機(jī)性。“確定性”是因為它由內(nèi)在的原因而不是外來的噪聲或干擾所產(chǎn)生，而“隨機(jī)性”是指其不規(guī)則的、不能預(yù)測的行為，只可能用統(tǒng)計的方法描述?；煦鐒恿W(xué)系統(tǒng)的主要特征是其狀態(tài)對初始條件的靈敏依賴性，混沌反映其內(nèi)在的隨機(jī)性。混沌理論是指描述具有混沌行為的非線性動力學(xué)系統(tǒng)的基本理論、概念、方法，它把動力學(xué)系統(tǒng)的復(fù)