振动筛裂纹损伤检测及趋势分析

本资料包含pdf文件1个，下载需要1积分

398 太 原 理 工 大 学 学 报 第 44卷1210I 8 墨42Ol2l08量6迥馨 d20 20 40 60 80 100 120 140 160 180 200频率/Hz图 2 有裂纹时振动信号的频谱0 20 40 60 80 100 120 140 160 180 200频率 /Hz图 3 无裂纹时振动信号的频谱动，由激励点到振动信号的拾取点为非线性系统，但工业现场振动筛施加的激励的幅值和频率是不变的 ，此时得到的系统频率特性是不完整。

研究-种基于神经 网络辨识模 型(NNARX模型4])的裂纹检测方法。首先由测得 的输入输 出信号辨识出系统的 NNARX模型，对此辨识模型施加不同幅度的虚拟激励，对模型的输出响应特性进行频域分析，由此来检测裂纹的存在。

分别对无裂纹和有裂纹模型筛的辨识模型施加实际激励信号(幅度为A)的满幅度(A)、0.2倍幅度(0.2A)、0.4倍 幅度 (0.4A)、0.6倍 幅度(0.6A)和0.8倍幅度(0.8A)的激励信号，得到相应的响应信号，对响应信号做谱分析，结果如图4，图 5所示。

从图 4，5中可以看出 ，在振动筛有无裂纹状态下频谱图的特征是完全不同的：无裂纹时，虚拟激励0.8A，0.6A，0.4A和 0.2A对应的谱线的相对最高峰值对应的频率在 20Hz左右，有裂纹时，虚拟激励0.8A，0.6A，0.4A和 0.2A对应的谱线的最高峰值对应的频率在80Hz左右，且比其它峰值高很多。

因此，虚拟激励下系统输出信号的频谱分析对检测振动筛的裂纹是有效的。

1.3 神经网络辨识模型的权值统计分析用神经网络辨识系统时，通过调整模型的权值，图4有裂纹时系统响应信号频谱图5无裂纹 时系统响应信号频谱让模型的实际输出旧能得接近目标输出，这时模型的权值特征也是模型特性的体现。通过对权值做统计分析(箱图)来判断振动筛的状态。

在模型筛下横梁有裂纹和无裂纹时，分别辨识出系统的模型，将它们的权值做箱图，结果如图 6，图 7所示 。

图 6 有裂纹时模型权值箱图从图 6，图 7中可以看出，在振动筛下横梁无裂纹的情况下 ，分析神经网络模型的权值箱图可知 ，权值数据比较分散，而且数据的对称性也不是很好；从振动筛下横梁有裂纹情况下的神经网络模型权值箱图可以看出，权值数据相对集中，且有较好的对称性。所以，振动筛是否存在裂纹也可以通过模型的权值统计量来判断 。

∞ 加 ：2 mguv避孽 ∞ 们 ∞ mg吸， 璺I400 太 原 理 工 大 学 学 报 第 44卷3 结论图 17 权值变化与时间的关 系对振动筛而言，由于结构裂纹的存在而产生的异常振动远小于强迫振动的水平 ，所 以选择垂直于筛帮的(混沌)振动信号进行裂纹检测。但由于垂直于振动筛运行方向的振动是非线性振动，将实测振动信号的谱分析结果直接作为诊断依据是不充分的。本文研究了-种基于神经网络辨识模型参数的统计学特征的振动筛裂纹损伤检测及趋势分析的方法。由实测信 号建 立研究对象 的神经 网络 辨识模型，分析辨识模型的虚拟激励下的响应信号频域特征和模型的权值特性，它们可以有效地检测振动筛的结构裂纹 ；最后 ，将这种分析方法应用到工业现场振动筛裂纹发展趋势的研究上 ，取得了良好的效果。