液壓泵診斷軸承常見的故障
    在航空工業中，液壓系統的工作性能直接影響著飛機的安全和旅客的生命，而液壓泵是液壓系統的動力源，因此對液壓泵的狀態監控與故障診斷尤為重要。軸承故障是液壓泵常見的故障模式之一，由于軸承故障所引起的附加振動相對于 液壓泵 的固有振動較弱，因而很難把故障信息從信號中分離開來。到目前為止，對液壓泵軸承故障的故障診斷尚缺少十分有效的方法。本文提出在頻域和倒頻域進行特征提取，旨在解決軸承特征提取困難的問題并利用集成BP網絡解決多故障診斷與識別和魯棒性問題。
　　1、液壓泵軸承故障的特征提取
　　對于機械系統而言，如有故障則一定會引起系統的附加振動。振動信號是動態信號，它包含的信息豐富，很適合進行故障診斷。但是如果附加振動信號由于固有信號或外界干擾對故障信號的干擾很大而淹沒，那么如何從振動信號中提取有用信號就顯得十分關鍵。
　　根據摩擦學理論，當軸承流動面的內環、外環滾道及滾柱上出現一處損傷，滾道的表面平滑受到破壞，每當滾子滾過損傷點，都會產生一次振動。假設軸承零件為剛體，不考慮接觸變形的影響，滾子沿滾道為純滾。
　　Hilbert變換用于信號分析中求時域信號的包絡，以達到對功率譜進行平滑從而突出故障信息。定義信號：為*包絡。倒譜包絡模型實質是對從傳感器獲得的信號進行倒頻譜分析，然后對其倒頻譜信號進行包絡提取，從而雙重性地突出了故障信息，為信噪比小的故障特征的提取提供了依據。
　　2、集成BP網絡進行故障診斷的原理
　　神經網絡的組織結構是由求解問題的領域特征決定的。由于故障診斷系統的復雜性，將神經網絡應用于障診斷系統的設計中，將是大規模神經網絡的組織和學習問題。為了減少工作的復雜性，減少網絡的學習時間，本文將故障診斷知識集合分解為幾個邏輯上獨立的子集合，每個子集合再分解為若干規則子集，然后根據規則子集來組織網絡。每個規則子集是一個邏輯上獨立的子網絡的映射，規則子集間的，通過子網絡的權系矩陣表示。各個子網絡獨立地運用BP學習算法分別進行學習訓練。由于分解后的子網絡比原來的網絡規模小得多且問題局部化了，從而使訓練時間大為減少。利用集成BP網絡進行液壓泵軸承故障診斷的信息處理能力源于神經元的非線性機理特性和BP算法。
　　3、神經網絡魯棒性的研究
　　神經網絡的魯棒性是指神經網絡對故障的容錯能力。*，人腦具有容錯特性，大腦中個別神經元的損傷不會使它的總體性能發生嚴重的降級，這是因為大腦中每一概念并非只保存在一個神經元中，而是散布于許多神經元及其連接之中。大腦可以通過再次學習，使因一部分神經元的損傷而淡忘的知識重新表達在剩余的神經元中。由于神經網絡是對生物神經元網絡的模擬，所以神經網絡的zui大特征是具有“聯想記憶”功能，即神經網絡可以由以往的知識組合，在部分信息丟失或部分信息不確定的條件下，用剩余的特征信息做出正確的診斷。

S-630X5 S-630X30     HDX-10X3   SFBX-800X5 FX-515X100 濾芯

S-400X30     S-800X30     HBX-400X1  SFBX-800X1 FX-510X100 濾芯

S-400X10     S-800X10     HDX-63X40  SFBX-800X3 S-100X5 濾芯

S-630X20     S-800X20     HDX-25X3   SFBX-630X30     STZX2-400X30   濾芯

S-100X1 S-25X20 HDX-25X1   SFBX-1000X1     STXX-25X1  濾芯

S-63X10 S-25X1  HDX-10X30  SFBX-800X30     STZX2-400X3     濾芯

S-63X20 S-40X5  HDX-10X10  SFBX-800X20     STZX2-400X20   濾芯

S-63X3  S-40X10 HDX-63X10  STZX2-40X20     STZX2-250X30   濾芯

S-63X1  S-40X1  HDX-250X5  STZX2-40X40     STZX2-400X1     濾芯

S-40X20 S-63X5  HDX-250X40      STZX2-40X3 STZX2-250X1     濾芯