滚动轴承故障识别-电动折弯机数控滚圆机滚弧机全自动张家港滚圆
作者:lujianjun | 来源:欧科机械 | 发布时间:2018-12-09 18:42 | 浏览次数:

针对提取滚动轴承故障特征向量信号和识别故障类型的问题,为了提高诊断准确率,提出了基于小波包分析与BP算法权值修正的Elman神经网络的策略。基于MATLAB强大的数值分析功能,采集到的故障信号经过小波包分解与重构获取能反映不同故障状态的本征模态函数(Intrinsic modal function,IMF)分量。通过Elman神经网络辨识技术,将各频带能量作为Elman网络输入变量,测试样本为输出变量。对Elman神经网络进行大量数据训练,对滚动轴承的故障数据进行识别。实验表明,这种方法比BP神经网络识别更准确、更有效本文滚动轴承的故障振动信号是通过搭建实验台采集到的模拟故障信号。首先对振动信号进行处理,将采集到振动信号分为多个频带,然后提取出各个频带的能量特征[4]。但是直接根据各个频带能量大小想要准确地判断其故障类型比较困难且不能精确实现。为此,本文通过Elman神经网络辨识技术,把提取的各频带能量特征作为输入变量,以此来提高故障诊断的准确性。实验证明此方法不仅可以有效完成滚动轴承的故障识别,准确率也相当高。1小波包分解与重构基本理论1.1小波包分解[5,6]小波包分解过程如图1所示。图1小波分解树状图相较于小波分解本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name,小波包分解不仅可以在低频段分解滚动轴承故障识别-电动折弯机数控滚圆机滚弧机全自动张家港滚圆机滚弧机,高频段也可以分解,且频带宽度保持一致。相较于其他分解信号方法,小波包分解的时频局域化特点比较显著。它的基本思想是让信息能量集中,在细节中找出规律。首先将频带进行多层次划分,然后进一步将没有分解的高频段分解,最后根据被分析信号的特征选择相应频带[7]。因此,特征信号在经过小波包分析后,自觉进行相应的频谱匹配,信号的时频局部分析能力得到提高,最终实现故障特征的提龋由多分辨率分析我们可以知道,尺度函数φ(t)和小波函数(t)满足如下双尺度方程.仪器仪表学报,2010,31(1):56-60.在UGIS&V模块进行仿真模拟可以直接利用UGCAM叶轮模块所编制的刀路文件直接仿真,所有刀路信息及刀具参数UGIS&V模块会直接读取,不需要在对刀路文件及刀具参数进行二次转换,非常直观不易出错,仿真如图8所示。图8叶轮仿真加工过程模拟过程中应注意各个坐标轴是否有超行程工作,B/C轴与刀具之间是否存在干涉,加工中是否存在干涉、过切、欠切等信息的提示;有以上信息提示应及时调整刀路轨迹、刀具及装夹方式等各项参数,仿真加工完成后零件如图9所示。4结束语本文通过UGIS&V模块建立了与实际生产加工完全一致的多轴数控机床对整体叶轮进行加工仿真,模拟了整体叶轮刀具路径及实际加工多轴数控机床切削过程,针对刀路程序轨迹的正确性及刀具、模型与工装、机床之间是否干涉,进行了精确的验证,说明UGIS&V模块在多轴数控仿真加工具有很高的应用价值,能为实际加工提供重要依据。参考文献:[1]宋放之.数控机床多轴加工实用教程[M].北京.清华大学出版社,2010.[2]李阳,赵永成,魏兰.数控加工仿真技术研究综述.[J].系统仿真技术,2008,4(2):111-115.[3]曾强,叶轮类零件五轴联动数控加工与仿真[D].成都:西南交通大学,2010.图9叶轮仿真加工成品零件滚动轴承故障识别-电动折弯机数控滚圆机滚弧机全自动张家港滚圆机滚弧机本文由公司网站滚圆机网站采集转载中国知网资源整理!www.gunyuanji.name