|
为了克服轴承故障信号较弱且容易被液压泵固有振动淹没的困难，选用以下抗干扰能力较强 的特征作为故障诊断特征参数。
Hilbert变换用于信号分析中求时域信号的包络，以达到对功率谱进行平滑从而突出故 障信息。定义信号：为最佳包络。倒谱包络模型实质是对从传感器获得的信号进行倒频谱分析，然后对其倒频谱信号进行包络提取，从而双重性地突出了故障信息，为信噪比小的故障特征的提取提供了依据。
2 集成BP网络进行故障诊断的原理
神经网络的组织结构是由求解问题的领域特征决定的。由于故障诊断系统的复杂性，将神经网络应用于障诊断系统的设计中，将是大规模神经网络的组织和学习问题。为了减少工作的复杂性，减少网络的学习时间，本文将故障诊断知识集合分解为几个逻辑上独立的子集合，每个子集合再分解为若干规则子集，然后根据规则子集来组织网络。每 个规则子集是一个逻辑上独立的子网络的映射，规则子集间的联系，通过子网络的权系矩阵表示。各个子网络独立地运用BP学习算法分别进行学习训练。由于分解后的子网络比原来的网络规模小得多且问题局部化了，从而使训练时间大为减少。利用集成BP网络进行液压泵轴承故障诊断的信息处理能力源于神经元的非线性机理特性和BP算法。
3、神经网络鲁棒性的研究
神经网络的鲁棒性是指神经网络对故障的容错能力。众所周知，人脑具有容错特性，大脑中个别神经元的损伤不会使它的总体性能发生严重的降级，这是因为大脑中每一概念并非只保存在一个神经元中 ，而是散布于许多神经元及其连接之中。大脑可以通过再次学习， 使因一部分神经元的损伤而淡忘的知识重新表达在剩余的神经元中。由于神经网络是对生物神经元网络的模拟，所以神经网络的最大特征是具有“联想记忆”功能，即神经网络可以由以往的知识组合，在部分信息丢失或部分信息不确定的条件下，用剩余的特征信息做出正确的诊断。表2给出了轴承6个特征信息中某些输入特征不正确或不确定情况下正确诊断和识别的成功率。
表2 神经网络鲁棒性统计表
由表2可以看出，利用集成神经网络进行故障诊断可以在丢失了大量信息的情况下（近一半特征参数不确定）仍可以作出正确判断的成功率相当高（76％～100％）因而集成神经网络具有很强能力
5 结论
由于神经网络具有自学习、自组织、联想记忆等多种功能决定了神经网络方法是很适合于进行故障诊断研究。 本文利用频域和倒频域的振动信号作为特征参数，利用集成BP网络实现了液压泵轴承的多故障诊断与识别。试验结果表明，该方法具有很高的成功率和鲁棒性。
| 
