论文摘要
针对滚动轴承故障诊断问题,结合重采样方法和CSBP神经网络进行滚动轴承的故障诊断研究。首先利用输入轴转速对轴承的振动加速度信号进行重采样,选择振动加速度信号的均方根值、峭度与样本熵作为CSBP神经网络训练输入参量,应用标签数据进行训练得到优化训练模型。然后对正常状态、轴承内圈故障滚动体故障实验数据进行了计算,并对结果进行了集中趋势分析和转速影响分析。结果表明,检测数据分析结果显示利用该方法判断轴承故障类型和故障程度可达到94%,可提高滚动轴承故障诊断中在不同转速条件下的适用性和智能性;同时利用集中趋势分析可实现对模型诊断结果进行评价,进而提高模型的可靠性。研究可以为高速列车及其他设备使用的滚动轴承诊断提供分析方法和技术参考。
论文目录
文章来源
类型: 期刊论文
作者: 马超,王少红,徐小力,黄民,黄竟楠
关键词: 滚动轴承,神经网络,故障形式,故障程度
来源: 电子测量与仪器学报 2019年12期
年度: 2019
分类: 信息科技,工程科技Ⅱ辑
专业: 机械工业
单位: 北京信息科技大学现代测控技术教育部重点实验室
基金: 中国科学院太空应用重点实验室开放基金(LSU-KFJJ-2018-07),教师队伍建设创新团队项目(PXM2018_014224_000042)资助
分类号: TH133.33
DOI: 10.13382/j.jemi.B1902482
页码: 58-63
总页数: 6
文件大小: 1933K
下载量: 59