文件简介：轴承故障诊断摘要研究了基于BP网络的往复泵故障诊断方法轴承。利用频域和倒谱域进行特征提取，利用集成的BP网络进行故障诊断和识别，解决了往复泵轴承难以提取故障特征，难以识别多个故障的问题。实验结果表明，使用BP网络可以有效地诊断和识别往复泵的多种故障模式轴承，并且具有较高的成功率。关键字：往复泵。 轴承故障。故障排除。 BP网络往复泵轴承故障特征提取对于机械系统，如果存在故障，则会引起系统的额外振动。振动信号是动态信号，包含丰富的信息，适用于故障诊断。但是，如果附加振动信号被固有信号或故障信号的外部干扰所淹没，那么如何从振动信号中提取有效信号就非常关键。 bERGbCAP基于滚动的振动机制轴承。当轴承的内圈，外圈滚道和滚子发生损坏时，轴承的滚道表面的光滑度就会受损。每当棍子滚动超过损坏点时，都会产生振动。假设在轨道表面和滚动元件之间没有相对滑动；承受径向和轴向载荷时，每个零件都不会变形；外圈是固定的，以下损坏振动频率：pEanqFDPw内圈的旋转频率是：内圈损坏时，其振动频率是：外圈损坏时，其振动频率是：滚动元件损坏时的振动频率是：其中：是内圈的旋转频率； D是轴承的节圆直径； d是滚动体的直径；是接触角； Z是辊数。

为了克服轴承故障信号弱且容易被往复泵的固有振动信号淹没的困难，选择具有较强抗干扰能力的特性作为故障诊断特性参数。 DXDiTaEd。振动期间的平均能量特性由在往复式泵体上测得的振动加速度信号设定：这是故障，是从泵体传输故障信号后的信号。根据统计理论，振动的均方根反映了振动的时域信息：特征参数具有代表振动信号的有效值，并反映了振动的平均能量。振动信号的峰值特征：反映振动信号中周期性脉动的特征量。倒频谱包络特性：设f（t>为故障激励信号，h（t>为传输通道的脉冲响应。它们对应于傅立叶变换，具有以下关系：RTCrpUDGiT和A（w> = F（w > H（w>转换为以下两个公式，r称为倒频谱，a（r>则是倒频谱）从上式可以看出故障激励信号的特性和传输通道的特性由于故障激励信号和传输通道信号通常是分开的，所以它们分别占据了不同的频率部分往复机轴承，从而突出了故障振动信号的特性曼铂，PCzVDHxA使用希尔伯特变换对信号进行分析并找到时域信号的包络，平滑功率谱并突出显示故障信息定义信号：最佳包络倒频谱包络模型的本质是对从信号源获得的信号进行倒频谱分析传感器，然后包络提取其倒频谱信号曼铂，从而双重突出显示故障信息，为提取具有低信噪比的故障特征提供了基础。通过jLBHrnAILgBP网络进行故障诊断的原理根据特征确定了神经网络的组织结构。由于故障诊断系统的复杂性，神经网络在故障诊断系统设计中的应用将是大规模神经网络的组织和学习。为了减少工作的复杂性并减少网络的学习时间，本文将故障诊断知识集分解为几个逻辑上独立的子集，并将每个子集分解为几个规则子集，然后将网络根据规则子集进行组织。每个规则子集是一个逻辑上独立的子网映射，规则子集之间的关系由子网的权重矩阵表示。每个子网独立使用BP学习算法进行学习和训练。因为分解后的子网比原始网络小得多，并且问题已定位，所以可以大大减少训练时间。使用集成BP网络轴承进行往复泵故障诊断的信息处理能力来自神经元的非线性机制特征和BP算法，如图所示：xHAQXJXBP网络的学习算法如下，每个选定的特征参数（包括能源功能，