【正文】 神經(jīng)網(wǎng)絡通過預先存儲信息和學習機制進行自適應訓練，可以從不完整的信息和噪聲干擾中恢復原始的完整信息。再次，BP 神經(jīng)網(wǎng)絡對外界輸入樣本有很強的識別與分類能力。另外， BP 神經(jīng)網(wǎng)絡具有優(yōu)化計算能力。 BP神經(jīng)網(wǎng)絡可靠性預測模型 BP網(wǎng)絡是一種前向多層網(wǎng)絡，利用誤差反向傳播算法對網(wǎng)絡進行訓練，結(jié)構(gòu)簡單，步驟明確。本文所采用的預測模型為1個3層BP神經(jīng)網(wǎng)絡，其結(jié)構(gòu)如圖l所示，輸入神經(jīng)元個數(shù)為d+1，輸出神經(jīng)元個數(shù)為h．網(wǎng)絡輸入為設備狀態(tài)的特征向量 它由當前測量值和其前d個測量值組成．網(wǎng)絡輸出為預測的未來h個時間間隔的可靠度向量 為了實現(xiàn)網(wǎng)絡的預測功能，必須確定網(wǎng)絡的輸入和輸出，即確定在不同特征向量下的瞬時可靠度，然后設定網(wǎng)絡參數(shù)，對其進行訓練，將網(wǎng)絡模型所需知識記憶在網(wǎng)絡的權(quán)值中。R（t+3Δt）R（t+2Δt）R（t+Δt）x（t） 本章本章主要對BP神經(jīng)網(wǎng)絡進行了簡單的講解。BP神經(jīng)網(wǎng)絡最主要的優(yōu)點是具有極強的非線性映射能力。利用誤差反向傳播算法對網(wǎng)絡進行訓練，結(jié)構(gòu)簡單，步驟明確。4 滾動軸承的可靠性預測 狀態(tài)指標的選取 滾動軸承中狀態(tài)指標分類及應用滾動軸承是各類回轉(zhuǎn)機械中應用最廣的一種通用機械部件,它的工作狀態(tài)直接影響整臺設備的工作性能和效率,因此,對滾動軸承故障的快速高效診斷和預知維修將大大提高設備運行的可靠性。當軸承元件表面發(fā)生局部損傷時, 在滾動體和內(nèi)、外環(huán)相互運動過程中, 會產(chǎn)生周期性的沖擊振動, 其振動發(fā)生的頻率稱為故障特征頻率, 也稱為“通過頻率”。而滾動軸承故障振動信號特征包括時域和頻域兩大類: 時域特征有軸承振動信號的峰值、峭度值、均方根值等。實際情況表明: 不同故障對應著不同的故障特征頻率, 檢測時可根據(jù)這些故障特征頻率是否出現(xiàn)在信號中, 且其具有一定的能量值, 就可以判斷軸承是否出現(xiàn)故障, 并確定故障點的位置。文獻[11]對有效值、峰值、峭度和峰值因子的應用作了說明, 指出時域分析方法比較簡單, 是簡易診斷的好方法。 對磨損類故障, 用均方根值比較有效。文獻[13]指出特征參數(shù)法的優(yōu)點在于僅用少數(shù)指標來解釋軸承的狀態(tài), 分析簡單方便。采用振動加速度的趨勢圖判斷滾動軸承所處的工作狀態(tài), 能及時發(fā)現(xiàn)故障隱患【7】。有效值是對時間的平均, 能對表面裂紋等具有無規(guī)則振動波形的異常做出恰當?shù)脑u價。 (2) 峰值和峰值因子通常峰值是指振動波形的單峰最大值。在機械故障診斷中, 為提高峰值指標的穩(wěn)定性, 在一個信號樣本的總長中, 找出絕對值最大的10 個數(shù), 用這10 個數(shù)的算術(shù)平均值作為峰值X PEAK。一般來說, 高于3. 5 的峰值因子即預示著損傷。 (3) 峭度峭度K ( Kur to sis) 是概率密度分布尖峭程度的度量, 是對軸承振動信號進行時域處理最常用的無量綱參數(shù)指標。峭度在滾動軸承的使用過程中表現(xiàn)出很強的規(guī)律性。 軸承進入使用后期, 峭度開始突然增大達到一定值, 可以認為此時軸承出現(xiàn)了初期故障, 這時要對軸承進行嚴密監(jiān)測, 密切注意其變化。 振動超過標準時, 峭度也開始快速增大, 超過正常值, 可認為軸承已進入晚期故障, 需及時檢修設備、更換滾動軸承。 峭度值選取的優(yōu)勢振動信號的時域參數(shù)指標較多, 其中有效值和峭度是較為重要的二個參數(shù)。有效值是對時間的平均并能反映振動能量的大小, 它能反映磨損故障和晚期故障。在軸承無故障運轉(zhuǎn)時, 由于各種不確定因素的影響, 振動信號的幅值分布接近正態(tài)分布, 峭度指標值K≈ 3。峭度指標的絕對值越大, 說明軸承越偏離其正常狀態(tài), 故障越嚴重, 如當其值K 8時, 則很可能出現(xiàn)了較大的故障。無量綱參數(shù)指標的比較見表1幅域參數(shù)敏感度穩(wěn)定性波形因子S差好峰值因子C一般一般脈沖因子I較好一般裕度因子L好一般峭度指標K好好 表1 無量綱參數(shù)指標的比較 有效值、峰值、峰值因子、峭度、脈沖因子、裕度因子和波形因子是對滾動軸承的振動信號進行時域統(tǒng)計分析最常用的參數(shù)指標。 更重要的一點是這些指標對故障和缺陷足夠敏感, 對信號的幅值和頻率不敏感, 即與機器的運行工況無關, 只依賴于信號的幅值概率密度函數(shù)。 選取的滾動軸承中峭度值的參數(shù) 本次實測的軸承為6311 型滾動軸承, 實驗時軸的轉(zhuǎn)頻為25Hz, 振動信號由安裝在軸承座上的加速度傳感器來拾取。試驗共選擇了軸承5個。失效闕值在文獻《滾動軸承的失效分析》。對本課題用以下峭度值來計算瞬時可靠度。 瞬時可靠度的計算 根據(jù)式子分別求出1—4組的CCC7的瞬時可靠度。計算第5組瞬時可靠度如下：匯成表格如下表所示： 表4我們求出的第五組的C5—C7 R1根據(jù)Bp神經(jīng)網(wǎng)絡預算C5—C7 R1 表中數(shù)據(jù)可以知道，我們利用公式求出的瞬時可靠度和我們BP神經(jīng)網(wǎng)絡計算出來的瞬時可靠度相差不多。驗證了我們的方法的可靠性。 （1) 本文求瞬時和可靠度的時候，是運用同一種軸承的不同數(shù)據(jù)，不是盲目的單一的對一個數(shù)據(jù)來研究，使計算可靠度準確、可靠。而傳統(tǒng)的公式例如威布爾方法求取瞬時可靠度，需要三參數(shù)的估計，計算公式麻煩，計算復雜。該方法充分利用了設備退化過程中的狀態(tài)信息，能夠動態(tài)地反映設備的運行性能、精度，準確判斷設備的失效時間。 （5）傳統(tǒng)的預測可靠度都是對大樣本的預測，對于滾動軸承類產(chǎn)品, 采集到的樣本容量很小, 所有的數(shù)據(jù)都不是到失效所獲得, 傳統(tǒng)的統(tǒng)計推斷方法難以得到置信水平很高的估計。 本章小結(jié) 本章針對軸承類的退化失效型設備，提出了一種基于設備狀態(tài)信息的神經(jīng)網(wǎng)絡可靠性預測方法．該方法充分利用了設備退化過程中的狀態(tài)信息，能夠動態(tài)地反映設備的運行性能、精度，準確預測設備的可靠度。通過狀態(tài)指標的提取，瞬時可靠度的計算，利用BP神經(jīng)網(wǎng)絡訓練學習，輸入第5組參數(shù)求出想得到的第五組的C5—C7的瞬時可靠度，再對其在進行計算與其比較，驗證了BP神經(jīng)網(wǎng)絡訓練的可靠性的準確性，為了進一步驗證，讓BP神經(jīng)網(wǎng)絡求出C6—C8的瞬時可靠度，再使C6，C7與原來訓練出來的進行比較，更加進一步驗證了該方法的可靠性。本課題是針對基于狀態(tài)信息的可靠性預測方法的研究。本文針對滾動軸承類退化型失效設備，提出了一種基于設備運行狀態(tài)信息的可靠性預測方法，其核心分為三個部分：一，狀態(tài)特征指標的選??；二，瞬時可靠度的求??；三，利用BP神經(jīng)網(wǎng)絡訓練學習訓練預測可靠度。針對滾動軸承的峭度值的時變數(shù)據(jù)，以可靠度為評價標準，正確預測出滾動軸承未來的可靠度，該過程表明設備狀態(tài)信息用于可靠性預測的可行性和有效性，是未來可靠性發(fā)展的一個重要方向。理論研究過程就是對一個問題進行分析，然后提出一種比較新型的方法去對問題進行解決。(2) 提高了綜合應用各門知識的能力。(3) 提高了收集資料和查閱能力。查閱手冊是設計過程中隨時要做的事情。(4) 培養(yǎng)了嚴謹?shù)目茖W作風?？傊?，對我們每個學生來說，經(jīng)過這次畢業(yè)設計，為今后從事生產(chǎn)第一線的技術(shù)發(fā)行工作、技術(shù)管理工作有非常大的幫助。在整個論文的選題、研究和撰寫過程中，導師都給了我精心的指導、熱忱的鼓勵和支持，她多次詢問論文的寫作進程，多次為我批閱文章并提出修改意見，她的精心點撥為我開拓了研究視野，修正了寫作思路，對論文的完善和質(zhì)量的提高起到了關鍵性的作用。在此，學生謹向?qū)熤乱宰钫鎿吹母屑ず妥畛绺叩木磁逯?。俗話說：“教師是太陽底下最光輝的事業(yè)”。在此，我要向諸位老師深深地鞠上一躬。特別是我寢室的姐妹們，四年來我們一起學習、一起玩耍，共同度過了太多的美好時光。“天下沒有不散的宴席”。最后，感謝我的爸爸媽媽，感謝您們賜予我生命，感謝您們二十多年來對我的養(yǎng)育之恩，更感謝您們不管多苦多難對我學業(yè)始終如一的理解與支持。向您們說一聲：敬愛的老師，您辛苦了！參考文獻【1】：科學出版社，.【2】CAO H .End milling tool beakage detection using lifting scheme and Mahalanobis distance ,.【3】KAPLAN E L。,程序清單clearclc%%輸入訓練樣本p=[ 。 。%%輸出訓練樣本t= [1 。1 0 0。%%神經(jīng)網(wǎng)絡結(jié)構(gòu)inputNums=4。outputNums=3。logsig39。logsig39。%bp神經(jīng)網(wǎng)絡的建立=1500。 % 誤差期望值net=train(net,p,t)。e=ty。%error為網(wǎng)絡的均方差%%測試樣本PP=[ ]39。jishuqi=b(2)。w_he=w_heni39。 %輸出層權(quán)值b_heni={1,1}。 %隱層閾值b_out={2,1}。 for i=1:inputNums gg(i)=PP(i,c)。 for i=1:inputNums net1=net1+gg(i)*w_he(i,j)。 gg1(j)=1/(1+exp(net1))。 for j=1:newhideNums net1=net1+gg1(j)*w_out(k,j)。 o=1/(1+exp(net1))。*39。 %實際值xlabel(39。)。預測結(jié)果39。 legend(39。