提出一种用小波奇异熵(WSE)和自组织特征映射(SOFM)神经网络进行电机轴承故障识别的建模方法。首先通过对电机驱动端和风扇端采集的故障振动信号的小波奇异熵的计算和比较来识别故障轴承的端位;在此基础上以故障端信号的小波包分解底层各结点能量为特征向量输入建立自组织特征映射神经网络模型来识别故障轴承内部的具体点蚀破坏位置。小波奇异熵和SOFM神经网络的结合实现了故障轴承端位及其内部点蚀位置的联合识别。分别对含有内外圈和滚动体点蚀故障的轴承进行建模和识别试验,结果表明:该模型可以有效地识别电机故障轴承的端位及其内部点蚀破坏位置;与传统支持向量机和BP神经网络识别模型相比,该模型故障识别准确率更高,识别稳定性更好,更适宜于故障识别这样的多分类问题。小波分解、奇异值分解和信息熵三者的结合［15］，充分利用了小波变换的自适应时频局部化优势、奇异值分解对时频空间特征模式的提取功能和信息熵对信号不确定度及复杂度的统计特性。信号时频特征模式分布越均匀，不确定性和随机性越大，小波奇异熵WSE也就越大;反之信号时频特征越集中在少数模式， 本文由张家港市泰宇机械有限公司全自动弯管机网站采集网络资源整理! http://www.wanguanjimuju.com   不确定性越小结构反应谱-电动折弯机数控滚圆机价格低张家港电动液压滚圆机滚弧机多少钱，则小波奇异熵越小，因此小波奇异熵是信号复杂度和不确定度的统计量化指标，可以用来识别不同特征模式的信号［16－17］。对长度为N的信号S(n)进行L层小波包分解树如图1所示，最底层的p个长度为q的小波分解系数结点构成时频分布矩阵Ap×q，该矩阵反映了信号S(n)的时频空间能量分布特征，根据矩阵的奇异值分解理论，Ap×q可以分解为为奇异值对角矩阵，表示时频信息矩阵A的主要特征模式，且奇异值满足降序排列:λ1≥λ2…≥λk。为定量描述信号时频能量分布的不确定度和复杂度，定义小波奇异熵为W(3)图1信号L层小波包分解树小波奇异熵故障轴承端位识别参考故障数据来源于美气工程实验室的滚动轴承故障模拟试验台［18］。采用电火花技术分别对SKF轴承的内圈、外圈和滚动体表面加工出深度为0．28mm，直径为0．18mm的小孔以模拟轴承的单点点蚀破坏，外圈点蚀破坏的位置分别有3，6，12点钟方向，内圈及滚动体的破坏位置任意选择，示将基础隔震结构简化为双自由度体系模型,研究震源机制对基础隔震结构反应谱的影响。在Ⅱ类场地条件下,选取605条地震记录作为统计样本,按照地震记录类型及震源机制进行分组,运用状态空间法得到了在近场及远场地震作用下的加速度、位移及能量反应谱。采用标准化和平均化的方式研究了反应谱的特性,并运用分段线性拟合的方法给出了设计反应谱的表达式,该表达式可以反映震源机制等因素对反应谱的影响作用。最后通过对某实际基础隔震工程进行算例验证,将计算结果与抗震规范进行对比,结果表明本文提出的表达式更为安全、合理,可将其应用于基础隔震结构的抗震设计中结构反应谱-电动折弯机数控滚圆机价格低张家港电动液压滚圆机滚弧机多少钱 本文由张家港市泰宇机械有限公司全自动弯管机网站采集网络资源整理! http://www.wanguanjimuju.com