机械设计与研究 ›› 2019, Vol. 35 ›› Issue (06): 116-122+127.doi: 10.13952/j.cnki.jofmdr.a5056
周建民;王发令;张龙;李鹏;张臣臣;
出版日期:2019-12-20
发布日期:2019-12-20
Online:2019-12-20
Published:2019-12-20
摘要： 滚动轴承作为旋转机械最容易发生故障的零部件之一,对其进行性能状态评估,及早判断出故障情况并做出相应的维修策略具有重要的意义。首先对轴承早期无故障样本和同类轴承的失效样本的振动信号提取小波包奇异谱熵作为初始特征。其次,用早期无故障样本特征和同类轴承失效样本特征建立径向基(RBF)神经网络模型,将已提取特征的轴承全寿命数据特征通过迭代的方式输入到RBF模型中。为了得到有界限的性能退化评估指标,提高性能评估准确率,将RBF模型输出结果输入到隶属度函数,计算隶属度,以此作为性能退化评估指标。使用箱线图设置自适应阈值,确定轴承早期失效阈值。最后用包络解调对结果进行验证。实验表明,提出的性能退化评估方法早期故障检测能力强,得到的结论与轴承加速疲劳试验得到的结果保持一致。
周建民;王发令;张龙;李鹏;张臣臣;. 基于RBF神经网络与模糊评价的滚动轴承退化状态定量评估[J]. 机械设计与研究, 2019, 35(06): 116-122+127.
| [1] | 戴少怀, 杨革文, 郁文, 吴向上. 基于RBF神经网络的雷达有源压制干扰识别[J]. 空天防御, 2022, 5(1): 102-107. |
| [2] | 卓鹏程, 严瑾, 郑美妹, 夏唐斌, 奚立峰. 面向滚动轴承全生命周期故障诊断的GA-OIHF Elman神经网络算法[J]. 上海交通大学学报, 2021, 55(10): 1255-1262. |
| [3] | 王华杰;程建新;. 基于模糊评价的城市客车造型设计[J]. 机械设计与研究, 2020, 36(02): 124-127. |
| [4] | 周建民;游涛;尹文豪;张龙;张臣臣;. 基于融合FCM-SVDD模型的滚动轴承退化状态识别[J]. 机械设计与研究, 2020, 36(01): 124-129. |
| [5] | 张龙;吴佳敏;吴荣真;宋成洋;易剑昱;. 基于多尺度熵与SOM神经网络的滚动轴承故障识别[J]. 机械设计与研究, 2019, 35(06): 105-110. |
| [6] | 熊国良;毛志德;张龙;成俊良;. 经验模态分解与核马氏距离的滚动轴承性能退化评估[J]. 机械设计与研究, 2019, 35(04): 96-100+104. |
| [7] | 陆纪文;. 基于MCKD与1.5维Teager能量谱的滚动轴承故障诊断方法[J]. 机械设计与研究, 2019, 35(03): 100-103. |
| [8] | 周建民;张臣臣;张龙;郭慧娟;. 基于融合模糊C均值与隐马尔科夫模型的滚动轴承的退化状态识别[J]. 机械设计与研究, 2019, 35(03): 83-86. |
| [9] | 王宜静;谭海燕;. 基于多维度互近似熵的滚动轴承故障诊断方法研究[J]. 机械设计与研究, 2019, 35(01): 110-112+124. |
| [10] | 周建民;张臣臣;张龙;郭慧娟;. 基于自联想神经网络与模糊C均值的滚动轴承的性能退化评估[J]. 机械设计与研究, 2019, 35(01): 96-99. |
| [11] | 吴军a, b，黎国强a，吴超勇a，程一伟c，邓超c. 数据驱动的滚动轴承性能衰退状态监测方法[J]. 上海交通大学学报（自然版）, 2018, 52(5): 538-544. |
| [12] | 张龙;刘晶;熊国良;毛志德;. 基于小波包分解和频率加权能量算子的滚动轴承故障诊断[J]. 机械设计与研究, 2018, 34(06): 80-84. |
| [13] | 高七一;余伦;. 光电经纬仪中径向密珠滚动轴承设计要素的分析[J]. 机械设计与研究, 2018, 34(06): 89-94. |
| [14] | 唐宁;童水光;徐剑;从飞云;张依东;. 基于短时信号重构与K-SVD特征提取算法[J]. 机械设计与研究, 2018, 34(04): 18-22. |
| [15] | 荆双喜;杨晓雨;罗志鹏;. 基于自适应时频分析的滚动轴承故障诊断[J]. 机械设计与研究, 2018, 34(04): 85-88. |
| 阅读次数 | ||||||
|
全文 |
|
|||||
|
摘要 |
|
|||||
