故障特征提取的方法研究
减小字体
增大字体表1为主轴喘振、流体激励故障时振动信号在垂直和水平方向的方差、峭度、偏斜度等6个参数的数据。
表1 主轴故障的特征参数
| 序号 | 喘振 | 流体激励 | ||||||||||
| 均方差 | 峭度 | 偏斜度 | 均方差 | 峭度 | 偏斜度 | |||||||
| 垂直 | 水平 | 垂直 | 水平 | 垂直 | 水平 | 垂直 | 水平 | 垂直 | 水平 | 垂直 | 水平 | |
| 1 | 7.50 | 9.21 | -0.02 | -0.00 | -0.22 | -0.10 | 40.2 | 44.1 | 0.22 | -0.42 | -0.11 | -0.08 |
| 2 | 26.1 | 15.2 | -0.75 | -0.92 | -0.31 | -0.21 | 70.1 | 20.5 | 3.82 | 1.78 | 0.00 | 0.16 |
| 3 | 13.8 | 9.21 | -0.81 | -0.72 | -0.29 | 0.19 | 12.4 | 14.2 | -0.38 | -0.62 | 0.03 | 0.01 |
| 4 | 6.2 | 8.5 | -0.01 | -0.04 | -0.22 | -0.23 | 8.15 | 33.5 | 0.15 | -0.14 | 0.07 | 0.10 |
| 5 | 36.1 | 11.2 | -0.61 | -0.01 | -0.23 | 0.07 | 7.21 | 15.2 | -0.41 | -0.51 | 0.01 | 0.01 |
| 6 | 11.5 | 9.71 | -0.81 | -0.93 | -0.31 | -0.18 | 25.7 | 30.2 | -0.37 | 0.19 | -0.11 | -0.06 |
| 7 | 33.1 | 28.2 | -0.79 | -0.85 | -0.07 | -0.45 | 71.2 | 25.3 | 3.81 | 1.85 | 0.01 | 0.16 |
| 8 | 37.2 | 26.8 | -0.81 | -0.87 | -0.06 | -0.41 | 8.11 | 35.2 | -0.81 | -0.13 | 0.01 | 0.11 |
设原始特征集合F＝{x1，x2，x3，x4，x5，x6}，其中x1、x2分别为垂直、水平方向的均方差，x3、x4分别为垂直和水平方向的峭度，x5、x6，分别为垂直和水平方向的偏斜度。
① 基于BP神经网络的特征提取方法：采用表1中的数据作为BP神经网络的输入，编制程序对神经网络进行训练，训练算法采用标准BP算法和Levenberg-Mar-quardt法两种方法来训练BP网络，从而计算特征参数的特征灵敏度，确定出对结果影响最大的特征参数。
喘振：
javascript:window.open(this.src);" style="cursor:pointer;"/>
│W1│={1.5874 1.6553 25.5320 25.1765 74.4724 40.4295}
流体激励：
javascript:window.open(this.src);" style="cursor:pointer;"/>
│W2│={1.5874 1.6553 25.5320 25.1765 74.4724 40.4295}
从结果可以看出：偏斜度对这两种故障最为敏感，反映了低频自激故障的主要特征。
② 基于互信息熵的特征提取方法：原始特征集合F＝{x1，x2，x3，x4，x5，x6}对应表1中的特征参数。在特征参数优化过程中，随着特征的删除，后验熵变化较大。当删除的特征中包含有x5、x6时，后验熵明显降低；如仅保留x5、x6时，后验熵最小。说明偏斜度对这两种故障最为敏感。
对比这两种特征提取方法，可以看出它们得到的结论是一样的。如果采用通频全息谱法来进行分析，得到的结论相同，从而验证了这两种特征提取方法的有效性。
在实际的状态监测和故障诊断中，可以重点监测系统的偏斜度，配合对振动信号的频谱分析，可以快速地判断故障类型和具体发生的时间。
Tags：
作者：佚名
- 好的评价 如果您觉得此文章好，就请您
0%(0) 
- 差的评价 如果您觉得此文章差，就请您
0%(0) 
中查找“故障特征提取的方法研究”更多相关内容
中查找“故障特征提取的方法研究”更多相关内容