专利名称：基于改进bp神经网络和模糊集理论的轴承健康度评价方法
技术领域：
本发明涉及ー种用于评价机械轴承运行状态的评价方法。
背景技术：
滚动轴承是旋转机械广泛使用的组件，滚动轴承的健康状况会对整个机械的运行产生重大影响。许多研究已经运用神经网络对机械进行诊断，但是这些研究在前期数据的特征提取方法还有待更新，后期轴承健康度方面的分析还存在不足。滚动轴承的故障诊断与预测技术涉及到相互关联、相互制约的多个层次和众多因素，其中有很多因素对于轴承的正常运行来说并不是致命的，由于这些因素发生故障，滚动轴承并不会瘫痪，只是介于正常和故障两种状态之间帯“病”运行。在这种状态下如果对系统进行停エ维修，将会带来经济上的巨大损失，如果允许其继续运行而不采用措施进行修正，则有可能引起不可预料的严重损害。而目前现役的滚动轴承帯“病”工作的情况非常普遍，如疲劳断裂、磨损、蠕变等。这在生产方面存在的巨大的安全隐患，只对轴承的运行状态分为“正常”和“故障”两种状态是不够的，实现轴承“亚健康”状态的协调控制已成为迫切需要解决的问题。而目前关于这些问题大都没有定量标准计算，相应的理论与工程应用研究偏少。
发明内容
为了解决上述存在的技术问题，本发明提供ー种能够针对轴承运行状态进行分析，将轴承运行状态分为正常、故障及亚健康三种，通过测量轴承灵敏度提取特征參数，运用基于卡尔曼思想的BP神经网络对数据进行分析，最后用基于模糊集理论的轴承健康度状况评价准则对轴承健康度进行分级，进而分析有关状态的情况及发展趋势并对滚动轴承做出干预决策。本发明的目的是通过下述技术方案实现的基于改进BP神经网络和模糊集理论的轴承健康度评价方法，其特征在于，步骤如下
1)采集原始信号通过数据采集系统采集由轴承上的加速度传感器收集的振动信号；
2)对步骤I)采集的信号进行FFT变换和滤波降噪处理；
3)提取滤波降噪之后的振动信号的特征，获得特征參数；具体步骤如下在FFT降噪处理的频域信号中选取7个状态參数
(a)平均特征频率:
权利要求
1.基于改进BP神经网络和模糊集理论的轴承健康度评价方法，其特征在干，步骤如下 1)采集原始信号通过数据采集系统采集由轴承上的加速度传感器收集的振动信号； 2)对步骤I)采集的信号进行FFT变换和滤波降噪处理； 3)提取滤波降噪之后的振动信号的特征，获得特征參数；具体步骤如下在FFT降噪处理的频域信号中选取7个状态參数 (a)平均特征频率
2.根据权利要求I所述的基于改进BP神经网络和模糊集理论的轴承健康度评价方法，其特征在于所述的步骤2)中对原始信号进行FFT变换和滤波降噪处理的具体流程如下 ①对时域信号f(t)进行FFT运算得到其傅里叶变换后的频谱信号F(co)； ②根据频谱，利用滤波器H(co)对信号的噪声部分进行抑制，得到降噪后的频谱信号 ③对降噪后的频谱G(co)作傅里叶逆变换，得到降噪后的信号g(t)。
全文摘要
本发明涉及一种基于改进BP神经网络和模糊集理论的轴承健康度评价方法。其步骤如下1)采集原始信号；2)对步骤1)采集的信号进行FFT变换和滤波降噪处理；3)提取滤波降噪之后的振动信号的特征，获得特征参数；具体步骤如下在FFT降噪处理的频域信号中选取7个状态参数；通过DI来评估状态参数的灵敏度；选取DI均值较大的四个参数作为BP神经网络输入层的特征参数；4)建立改进BP神经网络模型；5)将选定的四个特征参数输入改进BP神经网络进行状态识别，计算出健康度数值。运用本方法能够针对轴承运行状态进行分析，对轴承健康度进行分级，进而分析有关状态的情况及发展趋势并对滚动轴承做出干预决策。
文档编号G06N3/02GK102788696SQ20121025296
公开日2012年11月21日 申请日期2012年7月21日 优先权日2012年7月21日
发明者张利, 张立勇, 杨永波, 田立, 赵中洲 申请人:辽宁大学