東京計器DG4V-5-22A-M-PL-T-6-40東機美TOKIMEC

東京計器DG4V-5-22A-M-PL-T-6-40東機美TOKIMEC,東京計器株式會社 液壓控制，液壓閥 方向控制閥 換向閥 方向切換閥，Directional Control Valves，方向控制閥（換向閥），Solenoid Operated Directional Control Valves，小型電磁換向閥 DG4V-3，- 因為是濕式閥，所以耐用性高，而且切換聲音小。另外，滑動部不使用密封件，所以無須擔心漏油。，- 不僅有3種類型的電氣布線方式，而且還具有豐富的指示燈、電涌抑制器、交流直流轉換整流器等電氣選項。，東京計器方向切換閥，小型電磁換向閥 DG4V-3，規格參數，最高使用壓力：35 MPa，最大流量L/min：參考壓力?流量特性，油箱端口允許背壓：20.6 MPa，最大切換頻率：，交流：300 次/分，直流：300 次/分，交流直流切換：120 次/分，質量：，單電磁鐵：交流 1.5kg 直流 1.6kg，雙電磁鐵：交流 1.8kg 直流 2.0kg，東京計器 方向控制閥 TOKYO KEIKI 方向切換閥 電磁閥 閥門 東機美 TOKIMEC，DG4V-3-6C-M-P7-H-7-54-JA70 DG4V-3-6C-M-P7-H-7-54-JA70東京計器電磁換向閥，DG4V-3-6C-M-P7-H-7-54-JA70 DG4V-3-6C-M-P7-H-7-54-JA70東京計器電磁換向閥，例如，液壓機器中內藏傳感器和微型控制芯片，以實現各種工業設備的遠距離控制。 另外，東京計器還在研制新的液壓裝置，如在液壓控制系統中安裝電動伺朊機構和氣壓控制機構，以形成混合的動力控制系統等。 選型系列，- DG4M4 超小型電磁換向閥，- DG4V-3 小型電磁換向閥，- DG4V-5 電磁換向閥，- DG5V-7/DG5V-H8 電液先導換向閥，- DG5S-10 電液先導換向閥，- DG4VC-3 內置驅動回路的小型電磁換向閥，- DG4VC-5 置驅動回路的電磁換向閥，- DG4VL-3 低功耗保持小型電磁換向閥，- DG4VL-5 低功耗保持電磁換向閥，- DG4VS-3 無沖擊小型電磁換向閥，- DG4VS-5 無沖擊電磁換向閥，- DG4SM-3 小功率小型電磁換向閥，- DG4V-3-SW 內置接近傳感器的小型電磁換向閥，- DG4V-5-SW 內置接近傳感器的電磁換向閥，- DG4V-3, 100 小型電磁換向閥，- COM系列 科姆尼卡閥，- PD3 科姆尼卡閥控制器，- DG3V-7/DG3V-H8 先導換向閥，- DG3S-10 先導換向閥，- C-552/C-572 機械/手動操作換向閥，- DG1M/DG2M，DT1M/DG2M 機械/手動操作換向閥，- DG20S 機械操作換向閥，- DG2S2/DG2S4 機械操作換向閥，- DG17V 手動操作換向閥，
東京計器DG4V-5-22A-M-PL-T-6-40東機美TOKIMEC,

東京計器電磁閥特點：
1.特優的浸油式電磁動作設計
采用了滑閥浸于系統中的油內動作，具有緩沖作用，即使在高壓力高頻率的切換 動作下，仍可平穩無聲。
完全消除了克棟部位的油封與滑柱推桿之間的摩擦及其 引發的漏油問題，并可以增加滑柱的推力。
2.降低油溫提高壽命，節省維護費用
由于閥體流道采用了特殊結構設計，因而內部阻抗小，使用壓降減少，液壓油的溫度亦可相應降低，是液壓油不易變質，液壓油壽命延長，減少液壓油更換費用。
產品適用范圍： 1、注塑機 2、壓鑄機行業 3、皮革機械 4、制鞋機行業 5、工本機械 6、硫化機械 7、液壓成型機 8、拉伸機 9、陶瓷壓磚機等自動液壓機床行業 電磁閥特性： 1、能源利用效率，降低使用成本； 2、降低油溫提高壽命，節省維護費用； 3、電氣安裝防水，防塵性優良； 4、高品質，安裝簡便； 5、特優的浸油式電磁動作設計； 6、可使用于高壓力的應用； 7、特殊線圈，保證安全

2 液壓泵滾動軸承故障特征向量的提取，根據所采用的狀態變量把滾動軸承工作狀況監視和故障診斷分為溫度法、油樣分析法和振動法。由于液壓泵發生故障會引起系統附加振動，并且振動法具有測試簡單、診斷結果可靠及適用于各種工作環境，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，， ， ， ， ， ，，圖2圖3，，載荷和轉速等因素的影響,無須考慮相對標準值或與以前的數據進行對比,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,對參數的計算結果也不會產生明顯的影響。本文將以這些處理過的參數作為神經網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),則，，均方根值，，峰值 （ 為利用某一峰值計數法從信號中找到的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神經網絡模型進行滾動軸承故障診，，3.1網絡層次節點數目確定，，模型采用3層BP神經網

東京計器DG4V-5-22A-M-PL-T-6-40東機美TOKIMEC,絡，輸入層相對于上述6個處理過的特征參數，因而有6個節點，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：軸承外環故障、軸承內環故障、滾動體故障，故對應于這三種故障輸出層有3個節點。陰層節點數根據經驗公式 來確定，其中：，，隱含層神經元數目；，，輸入層神經元數目；，，輸出層神經元數目；，，1~10之間的整數。，，本文選用的隱層節點數目是12。如圖1所示，，3.2網絡訓練，，神經網絡具有自適應、自學習能力，因而當訓練樣本達到一定數量后，網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，用于訓練神經網絡的樣本必須滿足以下倆個要求：a、樣本足夠數量多，從而使網絡經過訓練后，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。，，本文選用的樣本數據來自實驗數據，依據數據性質，分為四類：軸承正常、外圈劃傷、內圈劃傷、滾子劃傷。每類數據各有20個樣本，共80個訓練樣本。表1節選了軸承四種狀態各5個共20個訓練樣本。，，在MatLab環境下，選用收斂性良好的Levenberg-Marquardt算法對BP神經網絡進行訓練，參數設定如下：學習率0.05；訓練步數100；訓練目標誤差0.001；通過調試可知，Levenberg-Marquardt算法收斂速度很快，因此，訓練后的BP神經網絡就是滾動軸承早期故障的識別網絡。，，3.3檢驗網絡，，軸承四種狀態的期望輸出分別為：正常（0 0 0）；外圈劃傷（1 0 0）；內圈劃傷（0 1 0）;滾子劃傷（0 0 1）。，，用訓練好的網絡對待檢樣本進行識別，原理圖見圖3，神經網絡對滾動軸承檢驗樣本進行診斷的輸出結果如表2所示，可以看出，神經網絡能根據早期振動測得的數據準確地判斷軸承的故障類型，說明神經網絡采用上述算法以及特征參數能夠較好的對故障模式進行識別。，，4 結論，，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神經網絡模型具有較強的自學習、自適應、聯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作為神經網絡輸入，實驗結果表明，利用BP神經網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。

東京計器DG4V-5-22A-M-PL-T-6-40東機美TOKIMEC,