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，轉到（2）反復學習直到所要求的精度為止。，，可以歸納為：BP網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賦值，權值在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元，經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)定的輸出則轉入反向傳播，將誤差信號沿原路返回，通過修改各層神經元的權值使輸出誤差最小。經過一定數量的樣本訓練之后，網絡的權矩陣和閾值就穩(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，神經網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(jié)點數目確定，，模型采用3層BP神經網絡，輸入層相對于上述6個處理過的特征參數，因而有6個節(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(jié)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(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(tài)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(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。
東機美 DG4V-3-23A-M-P7-H-7-54 日本TOKIMEC
