東機美 DG4V-3-23A-M-P7-H-7-54 日本TOKIMEC

東機美 DG4V-3-23A-M-P7-H-7-54 日本TOKIMEC東機美，TOKIMEC,應用其本身的尖端科技，為船舶港口，工程建筑，能源動力，國家防衛(wèi)等眾多行業(yè)提供各類先進的裝置，設備及系統(tǒng)產(chǎn)品，對于社會生活的基礎領域里發(fā)揮著巨大作用及影響力。，節(jié)能，控制性能卓越的液壓及電子產(chǎn)品，，東機美，TOKIMEC，(新名稱東京計器，TOKYO_KEIKI)為社會基礎設施領域。，工業(yè)機械設備－注塑機，壓鋳機，數(shù)控設備，機床，沖壓機，鍛造機，吹塑機等。，工業(yè)機械及專用車輛設備－液壓挖掘機，起重機，高空作業(yè)車，林業(yè)機械，混凝土泵車，旋挖鉆等。，東京計器電磁閥特點：，1.特優(yōu)的浸油式電磁動作設計，采用了滑閥浸于系統(tǒng)中的油內(nèi)動作，具有緩沖作用，即使在高壓力高頻率的切換 動作下，仍可平穩(wěn)無聲。，
DG4V-3-0C-M-P2-T-7-54，DG4V-3-0C-M-U1-T-7-54，DG4V-3-0C-M-U2-T-7-54，DG4V-3-0C-M-U7-T-7-54，DG4V-3-0C-M-U1-H-7-54，DG4V-3-0C-M-P7-H-7-54，DG4V-3-0C-M-U7-H-7-54，昆山瑞騰精密自動化有限公司專業(yè)代理經(jīng)銷日本TOKIMEC電磁閥|TOKIMEC東京計器|日本TOKIMEC東機美|TOKMEC葉片泵|TOKIMEC電磁閥，TOKIMEC(東京計器)DG4VC-5-2A-M-PS2-H-7-40，TOKIMEC(東京計器)DG5VC-H8-6C-T-PS2-H-84-JA，TOKIMEC(東京計器)DG5V-H8-2A-T-P2-T-84-JA，TOKIMEC(東京計器)DG5V-H8-2A-P2-T-84-JA831，TOKIMEC(東京計器)DG5VC-7-6C-1-T-PS2-H-84-JA，TOKIMEC(東京計器)F11-SQP2-17-1D2-18，TOKIMEC(東京計器)DG4V-3-2N-M-P7-H-7-54，

東機美 DG4V-3-23A-M-P7-H-7-54 日本TOKIMECTOKIMEC(東京計器) EPCG2-06-175-Y-13，TOKIMEC(東京計器) EPC62-01-210-11，TOKIMEC(東京計器) PH130-MSFYR-21-TL-D-10-S28，TOKIMEC(東京計器) TGMCR-3-PT-10，TOKIMEC(東京計器) DG4V-5-2A-M-PL-T-6-40，TOKIMEC(東京計器) SQP-60-86C-18-P，TOKIMEC(東京計器) P16V-FRS-11-CMC-10-J，TOKIMEC(東京計器) 4CG-03-DA-20-JA-S100-J，TOKIMEC(東京計器) TCG-50-03-B-P7-T-15，P16V-RS-11-CCG-10-J，TOKIMEC(東京計器) P40VFR-22-CC-21-J，TOKIMEC(東京計器) P70VFR-22-CC-11-J，TOKIMEC(東京計器)CT-03-F-JA-10-S81-J，TOKIMEC(東京計器) CT-06-F-40-JA-J，TOKIMEC(東京計器) 4C2M-3-30-JA，TOKIMEC(東京計器) SQP3-30-1B-18，TOKIMEC(東京計器) SQP32-38-19-86BA-18-S116，TOKIMEC(東京計器) EPFRCG-06-210-500-EX-10-TN-S3，TOKIMEC(東京計器) ESPF-H3-HN-30，TOKIMEC(東京計器) DG4V-5-6C-M-PL-0V-6-40，TOKIMEC(東京計器) DG5V-H8-8C-2-E-P2-T-84-JA，TOKIMEC(東京計器) SG1-02-50-11-JA-S40，TOKIMEC(東京計器) DG4V-3-0C-M-P2-V-7-54，TOKIMEC(東京計器) DG4V-3-0C-M-P2-T-7-54，TOKIMEC(東京計器) DG4V-3-0C-M-P7-H-7-54，TOKIMEC(東京計器) P16VMR-10-CMC-20-S121-J，TOKIMEC(東京計器) ESPP-H3-H-10，TOKIMEC(東京計器) SQP43-38-32-86CC2-18，TOKIMEC(東京計器) SQP43-38-32-86CC-18，TOKIMEC(東京計器) TGMRC-5-BY-FH-G-50，TOKIMEC(東京計器) TOKIMEC(東京計器) C5G-825-JA-J，TOKIMEC(東京計器) SQP*3-**-38泵芯VA11210A，TOKIMEC(東京計器) SQP4*-60泵芯VA11215A，TOKIMEC(東京計器) ESPP-L-H-10，TOKIMEC(東京計器) DG4V-3-0C-M-P2-V-7-54，TOKIMEC(東京計器) DG4V-5-2A-M-PL-0V-6-40，

(7) 按照上述學習算法，轉(zhuǎn)到（2）反復學習直到所要求的精度為止。，，可以歸納為：BP網(wǎng)絡的學習方法由正向傳播和反向傳播兩個過程組成。學習開始，先隨機地給各連接權(quán)賦值，權(quán)值在0~1之間隨機選取，然后將學習樣本的信息輸入輸入層各神經(jīng)元，經(jīng)隱含層計算出輸出層個節(jié)點的值，如輸出層不能得到規(guī)定的輸出則轉(zhuǎn)入反向傳播，將誤差信號沿原路返回，通過修改各層神經(jīng)元的權(quán)值使輸出誤差最小。經(jīng)過一定數(shù)量的樣本訓練之后，網(wǎng)絡的權(quán)矩陣和閾值就穩(wěn)定在一定的狀態(tài)，這樣與系統(tǒng)有關的故障模式將匹配到其最接近的區(qū)域，神經(jīng)網(wǎng)絡用于故障診斷的機理也在于此。其示意圖見圖2圖3。論文發(fā)表。2 液壓泵滾動軸承故障特征向量的提取，根據(jù)所采用的狀態(tài)變量把滾動軸承工作狀況監(jiān)視和故障診斷分為溫度法、油樣分析法和振動法。由于液壓泵發(fā)生故障會引起系統(tǒng)附加振動，并且振動法具有測試簡單、診斷結(jié)果可靠及適用于各種工作環(huán)境，因而在實際中得到廣泛應用。在實際測試工作中，主要使用加速度傳感器測試振動信號，但應對所測得的信號進行分析處理。提取能夠反應軸承工作狀態(tài)的一些特征向量，用于故障識別。，，一般來說，故障軸承的指標比正常軸承大。故障越嚴重，振動值越大，波形因子越大;局部缺陷越嚴重，沖擊指標和峭度越大。通過試驗分析，處于故障早期的滾動軸承的幅域指標與正常軸承存在較大區(qū)別，適合于故障診斷。通常使用均方根值、峰值、峭度、峰值因子、峭度因子、脈沖因子、裕度因子和波形因子等指標。并且這些指標基本上不受，， ， ， ， 

東機美 DG4V-3-23A-M-P7-H-7-54 日本TOKIMEC， ，，圖2圖3，，載荷和轉(zhuǎn)速等因素的影響,無須考慮相對標準值或與以前的數(shù)據(jù)進行對比,另外,它不受信，，號絕對水平的影響,即使測量點同以往的略有不同,對參數(shù)的計算結(jié)果也不會產(chǎn)生明顯的影響。本文將以這些處理過的參數(shù)作為神經(jīng)網(wǎng)絡輸入層輸入來對軸承故障做出診斷。，，設采集到的振動信號為(i=1,2,…,n,n 為采樣點數(shù)),則，，均方根值，，峰值 （ 為利用某一峰值計數(shù)法從信號中找到的m個峰值，j=1,2,…m），，峭度，，峰值因子，，峭度因子，，脈沖因子 ，，波形因子，，裕度因子 ，，3 采用BP神經(jīng)網(wǎng)絡模型進行滾動軸承故障診，，3.1網(wǎng)絡層次節(jié)點數(shù)目確定，，模型采用3層BP神經(jīng)網(wǎng)絡，輸入層相對于上述6個處理過的特征參數(shù)，因而有6個節(jié)點，在運行的柱塞泵滾動軸承的6個測點安裝傳感器，擬人工設置三種軸承故障模式：軸承外環(huán)故障、軸承內(nèi)環(huán)故障、滾動體故障，故對應于這三種故障輸出層有3個節(jié)點。陰層節(jié)點數(shù)根據(jù)經(jīng)驗公式 來確定，其中：，，隱含層神經(jīng)元數(shù)目；，，輸入層神經(jīng)元數(shù)目；，，輸出層神經(jīng)元數(shù)目；，，1~10之間的整數(shù)。，，本文選用的隱層節(jié)點數(shù)目是12。如圖1所示，，3.2網(wǎng)絡訓練，，神經(jīng)網(wǎng)絡具有自適應、自學習能力，因而當訓練樣本達到一定數(shù)量后，網(wǎng)絡具有良好的非線性逼近能力，達到理想的故障模式識別。但達到上述效果，用于訓練神經(jīng)網(wǎng)絡的樣本必須滿足以下倆個要求：a、樣本足夠數(shù)量多，從而使網(wǎng)絡經(jīng)過訓練后，收斂性良好；b、樣本包含各類故障的典型樣本，即要求訓練樣本集完整。，，本文選用的樣本數(shù)據(jù)來自實驗數(shù)據(jù)，依據(jù)數(shù)據(jù)性質(zhì)，分為四類：軸承正常、外圈劃傷、內(nèi)圈劃傷、滾子劃傷。每類數(shù)據(jù)各有20個樣本，共80個訓練樣本。表1節(jié)選了軸承四種狀態(tài)各5個共20個訓練樣本。，，在MatLab環(huán)境下，選用收斂性良好的Levenberg-Marquardt算法對BP神經(jīng)網(wǎng)絡進行訓練，參數(shù)設定如下：學習率0.05；訓練步數(shù)100；訓練目標誤差0.001；通過調(diào)試可知，Levenberg-Marquardt算法收斂速度很快，因此，訓練后的BP神經(jīng)網(wǎng)絡就是滾動軸承早期故障的識別網(wǎng)絡。，，3.3檢驗網(wǎng)絡，，軸承四種狀態(tài)的期望輸出分別為：正常（0 0 0）；外圈劃傷（1 0 0）；內(nèi)圈劃傷（0 1 0）;滾子劃傷（0 0 1）。，，用訓練好的網(wǎng)絡對待檢樣本進行識別，原理圖見圖3，神經(jīng)網(wǎng)絡對滾動軸承檢驗樣本進行診斷的輸出結(jié)果如表2所示，可以看出，神經(jīng)網(wǎng)絡能根據(jù)早期振動測得的數(shù)據(jù)準確地判斷軸承的故障類型，說明神經(jīng)網(wǎng)絡采用上述算法以及特征參數(shù)能夠較好的對故障模式進行識別。，，4 結(jié)論，，航空液壓泵軸承是液壓泵的重要支撐部件，對其故障診斷具有重要意義。BP神經(jīng)網(wǎng)絡模型具有較強的自學習、自適應、聯(lián)想記憶及非線性模式識別能力，特別適用于多故障、多征兆等復雜模式的識別。本文通過對軸承振動信息處理，提取無量綱特征參數(shù)作為神經(jīng)網(wǎng)絡輸入，實驗結(jié)果表明，利用BP神經(jīng)網(wǎng)絡對航空滾動軸承早期故障模式進行識別是可靠與有效的。

東機美 DG4V-3-23A-M-P7-H-7-54 日本TOKIMEC