【正文】 4 或超過(guò)4, 則說(shuō)明軸承的運(yùn)動(dòng)狀況中存在沖擊性振動(dòng) 。但在失效之前, 有時(shí)可記錄到高達(dá)7 的峰值因子。峰值因子C ( Crestfactor) 為： （）正常軸承的振動(dòng)信號(hào)的峰值因子大約為2. 5～3. 5, 而損傷類軸承的峰值因子大于3. 5。早期軸承表面損傷, 非常容易由峰值的變化檢測(cè)出來(lái)。但是對(duì)于表面剝落或傷痕等具有瞬時(shí)沖擊振動(dòng)的異常不適用, 對(duì)于這種形態(tài)的異常, 可用峰值進(jìn)行判斷。 時(shí)域參數(shù)分類 (1) 有效值信號(hào){ x i } ( i= 1～N , N 為采樣點(diǎn)數(shù)) 的振幅瞬時(shí)值隨著時(shí)間不斷變化, 使用有效值可以表現(xiàn)這種振動(dòng)變化大小, 其表達(dá)式為： （）滾動(dòng)軸承振動(dòng)信號(hào)的有效值反映了振動(dòng)的能量大小, 當(dāng)軸承產(chǎn)生異常后, 其振動(dòng)必然增大。文獻(xiàn)[14] 指出當(dāng)設(shè)備參數(shù)不全, 無(wú)法計(jì)算特征頻率, 頻譜分析方法不太適用的情況下, 利用時(shí)域波形和峭度指標(biāo)來(lái)初步判斷設(shè)備是否存在故障是可行的。 而峰值因子對(duì)兩類故障都可以判斷。文獻(xiàn)[12]指出對(duì)于零件表面的損傷類故障, 用峰值判斷比較有效。利用時(shí)域參數(shù)對(duì)滾動(dòng)軸承早期故障進(jìn)行監(jiān)測(cè)和診斷是軸承故障的簡(jiǎn)易診斷法, 其目的是初步判斷被列為診斷對(duì)象的滾動(dòng)軸承是否出現(xiàn)了故障。 頻域特征是指軸承振動(dòng)信號(hào)在特征頻率處的幅值。故障特征頻率決定于軸的轉(zhuǎn)速、軸承幾何尺寸及損傷點(diǎn)的位置(外環(huán)、內(nèi)環(huán)、滾動(dòng)體) 。滾動(dòng)軸承故障【6】的種類很多, 主要有表面疲勞損傷、磨損和膠合等幾種類型, 其中以表面疲勞損傷為主, 包括表面剝落、表面裂紋等滾動(dòng)面發(fā)生局部損傷等異常狀態(tài)。通過(guò)自學(xué)習(xí)，BP網(wǎng)絡(luò)可從數(shù)據(jù)中自動(dòng)總結(jié)規(guī)律，把具有復(fù)雜因果關(guān)系的物理量在經(jīng)過(guò)適當(dāng)數(shù)量的訓(xùn)練之后比較準(zhǔn)確地反映出來(lái)，并可用總結(jié)出的規(guī)律來(lái)預(yù)測(cè)未知的信息。本課題就是利用BP神經(jīng)網(wǎng)絡(luò)對(duì)未來(lái)可靠度進(jìn)行預(yù)測(cè)。BP神經(jīng)網(wǎng)絡(luò)在實(shí)現(xiàn)時(shí)間等預(yù)測(cè)方面有很大的優(yōu)勢(shì)，并且簡(jiǎn)單方便、可靠、精確。最后，利用訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行實(shí)際設(shè)備的可靠性預(yù)測(cè)。通過(guò)自學(xué)習(xí)，BP網(wǎng)絡(luò)可從數(shù)據(jù)中自動(dòng)總結(jié)規(guī)律，把具有復(fù)雜因果關(guān)系的物理量在經(jīng)過(guò)適當(dāng)數(shù)量的訓(xùn)練之后比較準(zhǔn)確地反映出來(lái)，并可用總結(jié)出的規(guī)律來(lái)預(yù)測(cè)未知的信息。BP神經(jīng)網(wǎng)絡(luò)本質(zhì)上是一個(gè)非線性優(yōu)化問(wèn)題, 它可以在已知的約束條件下，尋找一組參數(shù)組合，使該組合確定的目標(biāo)函數(shù)達(dá)到最小。由于它具有強(qiáng)大的非線性處理能力，因此可以較好地進(jìn)行非線性分類, 解決了神經(jīng)網(wǎng)絡(luò)發(fā)展史上的非線性分類難題。這種能力使其在圖像復(fù)原、語(yǔ)言處理、模式識(shí)別等方面具有重要應(yīng)用。這是因?yàn)樗捎昧朔植疾⑿械男畔⑻幚矸绞?，?duì)信息的提取必須采用聯(lián)想的方式，才能將相關(guān)神經(jīng)元全部調(diào)動(dòng)起來(lái)。理論上，對(duì)于一個(gè)三層和三層以上的BP網(wǎng)絡(luò)，只要隱層神經(jīng)元數(shù)目足夠多，該網(wǎng)絡(luò)就能以任意精度逼近一個(gè)非線性函數(shù)。 (4)數(shù)據(jù)壓縮：減少輸出向量維數(shù)以便傳輸或存儲(chǔ)。 (2)模式識(shí)別：用一個(gè)待定的輸出向量將它與輸入向量聯(lián)系起來(lái)。它也是前向網(wǎng)絡(luò)的核心部分，體現(xiàn)了人工神經(jīng)網(wǎng)絡(luò)的精華。 BP神經(jīng)網(wǎng)絡(luò)的主要功能目前，在人工神經(jīng)網(wǎng)絡(luò)的實(shí)際應(yīng)用中。這與現(xiàn)代計(jì)算機(jī)的脆弱性形成鮮明對(duì)比。BP神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)模仿人腦，具有并行處理的特征，大大提高了網(wǎng)絡(luò)功能。(2) 信息并行處理 人腦神經(jīng)元之間傳遞脈沖信號(hào)的速度遠(yuǎn)低于馮權(quán)值不斷調(diào)整的過(guò)程就是網(wǎng)絡(luò)的學(xué)習(xí)訓(xùn)練過(guò)程。此過(guò)程完成后， 輸入信號(hào)再次由輸入層輸入網(wǎng)絡(luò)，重復(fù)上述過(guò)程。輸入信號(hào)經(jīng)輸入層輸入， 通過(guò)隱含層的復(fù)雜計(jì)算由輸出層輸出，輸出信號(hào)與期望輸出相比較，若有誤差，再將誤差信號(hào)反向由輸出層通過(guò)隱含層處理后向輸入層傳播。： BP神經(jīng)網(wǎng)絡(luò)模型生物神經(jīng)元信號(hào)的傳遞是通過(guò)突觸進(jìn)行的一個(gè)復(fù)雜的電化學(xué)等過(guò)程, 在人工神經(jīng)網(wǎng)絡(luò)中是將其簡(jiǎn)化模擬成一組數(shù)字信號(hào)通過(guò)一定的學(xué)習(xí)規(guī)則而不斷變動(dòng)更新的過(guò)程，這組數(shù)字儲(chǔ)存在神經(jīng)元之間的連接權(quán)重。 BP神經(jīng)網(wǎng)絡(luò)模型及其基本原理 BP神經(jīng)網(wǎng)絡(luò)是誤差反向傳播神經(jīng)網(wǎng)絡(luò)的簡(jiǎn)稱，它由一個(gè)輸入層，一個(gè)或多個(gè)隱含層和一個(gè)輸出層構(gòu)成，每一次由一定數(shù)量的的神經(jīng)元構(gòu)成。然后按減小希望輸出與實(shí)際輸出誤差的方向，從輸出層經(jīng)各中間層逐層修正各連接權(quán)，回到輸入層。其由輸入層、中間層、輸出層組成的階層型神經(jīng)網(wǎng)絡(luò)，中間層可擴(kuò)展為多層。只需要對(duì)一個(gè)使計(jì)算更加簡(jiǎn)單方面，可靠。有些麻煩?？煽啃远x為影響失效的應(yīng)力沒(méi)有超過(guò)控制失效強(qiáng)度的概率。 強(qiáng)度定義為當(dāng)承受外部載荷和環(huán)境時(shí), 元件、裝置或材料能滿意地完成規(guī)定的任務(wù)而沒(méi)有失效的能力。 本章小結(jié) 機(jī)械產(chǎn)品的可靠性分析以應(yīng)力——強(qiáng)度分布干涉理論為基礎(chǔ), 應(yīng)力——強(qiáng)度分布干涉模型主要是討論應(yīng)力和強(qiáng)度相互作用的效果。KM評(píng)估器是一種非參數(shù)估計(jì)方法，它的最大優(yōu)點(diǎn)是不依賴于失效PDF的分布假設(shè)，且不受采樣間隔影響，只要知道失效樣本和正常工作樣本的數(shù)目就可以估計(jì)出產(chǎn)品的可靠度。這種算法需要對(duì)x的PDF進(jìn)行估計(jì)，并選擇PDF的分布形式。在此基礎(chǔ)上，有研究者提出先估計(jì)出狀態(tài)特征指標(biāo)在不同時(shí)刻的PDF，然后由失效閾值和指標(biāo)觀測(cè)值所界定的區(qū)間積分來(lái)計(jì)算相應(yīng)的瞬時(shí)可靠度。 基于bayes方法【4】和KM估計(jì)器的可靠度計(jì)算公式的推導(dǎo) 傳統(tǒng)的可靠度評(píng)估方法對(duì)于機(jī)床類設(shè)備，特別是少失效或零失效產(chǎn)品是不適宜的，有文獻(xiàn)提出從產(chǎn)品性能退化的角度進(jìn)行可靠性評(píng)估，由擬合的性能退化軌跡曲線和失效閾值外推出各樣本的偽失效壽命，并求出，代人式（）求取設(shè)備可靠度。那么，其中r假定這些值≤t和措施的時(shí)候失效。 KM估計(jì)器思想KM評(píng)估器是一種非參數(shù)估計(jì)方法【3】，它的最大優(yōu)點(diǎn)是不依賴于失效PDF的分布假設(shè)，且不受采樣間隔影響，只要知道失效樣本和正常工作樣本的數(shù)目就可以估計(jì)出產(chǎn)品的可靠度。 威布爾分布的有關(guān)可靠性特征量 ①三參數(shù)威布爾分布可靠性特征量 可靠度函數(shù) ②二參數(shù) (γ=0)威布爾分布的可靠性特征量 可靠度函數(shù) 本課題采用的預(yù)測(cè)可靠性的方法 貝葉斯理論 定理定義 貝葉斯定理也稱貝葉斯推理，早在18世紀(jì)，英國(guó)學(xué)者貝葉斯(1702～1761)曾提出計(jì)算條件概率的公式用來(lái)解決如下一類問(wèn)題：假設(shè)H[,1],H[,2]…,H[,n]互斥且構(gòu)成一個(gè)完全事件，已知它們的概率,i=1,2,…,n,現(xiàn)觀察到某事件A與H[,1],H[,2]…,H[,n]相伴隨而出現(xiàn)，且已知條件概率，求 。 數(shù)學(xué)表達(dá)式 () 威布爾分布含有三個(gè)參數(shù)。 （） （3）威布爾分布W(k,) 由瑞典人Weibull 構(gòu)造的分布函數(shù)。歸一化的做法：對(duì)隨機(jī)變量作如下變換（平移和比例變換） 則正態(tài)分布的F(x)成為標(biāo)準(zhǔn)正態(tài)分布的Φ(Z)： （） （2）指數(shù)分布e(λ) 定義：當(dāng)產(chǎn)品進(jìn)入浴盆曲線的偶然失效期后，失效率接近為常數(shù)。 正態(tài)分布的概率密度函數(shù)的幾何特征 標(biāo)準(zhǔn)正態(tài)分布 （） （） 式中，μ=0,ζ=1，記為N(0,1)。 （） 失效概率和可靠度分別為： （） 式中，μ為隨機(jī)變量x的數(shù)學(xué)期望，ζ為隨機(jī)變量x的標(biāo)準(zhǔn)差。當(dāng)應(yīng)力為時(shí)，強(qiáng)度大于應(yīng)力的概率為 （） ——強(qiáng)度分布密度函數(shù) 應(yīng)力s0 處于ds區(qū)間內(nèi)的概率為 （） 假設(shè)與 為兩個(gè)獨(dú)立的隨機(jī)事件，因此兩獨(dú)立事件同時(shí)發(fā)生的概率為 （） 因?yàn)樯鲜? 為應(yīng)力區(qū)間內(nèi)的任意值，現(xiàn)考慮整個(gè)應(yīng)力區(qū)間內(nèi)的情況，有強(qiáng)度大于應(yīng)力的概率（可靠度）為 （） 當(dāng)已知應(yīng)力和強(qiáng)度的概率密度函數(shù)時(shí)，根據(jù)以上表達(dá)式即可求得可靠度。 實(shí)際工程中的應(yīng)力和強(qiáng)度都是呈分布狀態(tài)的隨機(jī)變量，把應(yīng)力和強(qiáng)度的分布在同一座標(biāo)系中表示（） 當(dāng)強(qiáng)度的均值大于應(yīng)力的均值時(shí)，在圖中陰影部分表示的應(yīng)力和強(qiáng)度 “干涉區(qū)”內(nèi)就可能發(fā)生強(qiáng)度小于應(yīng)力——即失效的情況這種根據(jù)應(yīng)力和