东机美 DG4V-3-23A-M-P7-H-7-54 日本TOKIMEC东机美，TOKIMEC,应用其本身的尖端科技，为船舶港口，工程建筑，能源动力，国家防卫等众多行业提供各类先进的装置，设备及系统产品，对于社会生活的基础领域里发挥着巨大作用及影响力。，节能，控制性能卓越的液压及电子产品，，东机美，TOKIMEC，(新名称东京计器，TOKYO_KEIKI)为社会基础设施领域。，工业机械设备－注塑机，压鋳机，数控设备，机床，冲压机，锻造机，吹塑机等。，工业机械及专用车辆设备－液压挖掘机，起重机，高空作业车，林业机械，混凝土泵车，旋挖钻等。，东京计器电磁阀特点：，1.特优的浸油式电磁动作设计，采用了滑阀浸于系统中的油内动作，具有缓冲作用，即使在高压力高频率的切换 动作下，仍可平稳无声。，
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，昆山瑞腾精密自动化有限公司专业代理经销日本TOKIMEC电磁阀|TOKIMEC东京计器|日本TOKIMEC东机美|TOKMEC叶片泵|TOKIMEC电磁阀，TOKIMEC(东京计器)DG4VC-5-2A-M-PS2-H-7-40，TOKIMEC(东京计器)DG5VC-H8-6C-T-PS2-H-84-JA，TOKIMEC(东京计器)DG5V-H8-2A-T-P2-T-84-JA，TOKIMEC(东京计器)DG5V-H8-2A-P2-T-84-JA831，TOKIMEC(东京计器)DG5VC-7-6C-1-T-PS2-H-84-JA，TOKIMEC(东京计器)F11-SQP2-17-1D2-18，TOKIMEC(东京计器)DG4V-3-2N-M-P7-H-7-54，

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

(7) 按照上述学习算法，转到（2）反复学习直到所要求的精度为止。，，可以归纳为：BP网络的学习方法由正向传播和反向传播两个过程组成。学习开始，先随机地给各连接权赋值，权值在0~1之间随机选取，然后将学习样本的信息输入输入层各神经元，经隐含层计算出输出层个节点的值，如输出层不能得到规定的输出则转入反向传播，将误差信号沿原路返回，通过修改各层神经元的权值使输出误差最小。经过一定数量的样本训练之后，网络的权矩阵和阈值就稳定在一定的状态，这样与系统有关的故障模式将匹配到其最接近的区域，神经网络用于故障诊断的机理也在于此。其示意图见图2图3。论文发表。2 液压泵滚动轴承故障特征向量的提取，根据所采用的状态变量把滚动轴承工作状况监视和故障诊断分为温度法、油样分析法和振动法。由于液压泵发生故障会引起系统附加振动，并且振动法具有测试简单、诊断结果可靠及适用于各种工作环境，因而在实际中得到广泛应用。在实际测试工作中，主要使用加速度传感器测试振动信号，但应对所测得的信号进行分析处理。提取能够反应轴承工作状态的一些特征向量，用于故障识别。，，一般来说，故障轴承的指标比正常轴承大。故障越严重，振动值越大，波形因子越大;局部缺陷越严重，冲击指标和峭度越大。通过试验分析，处于故障早期的滚动轴承的幅域指标与正常轴承存在较大区别，适合于故障诊断。通常使用均方根值、峰值、峭度、峰值因子、峭度因子、脉冲因子、裕度因子和波形因子等指标。并且这些指标基本上不受，， ， ， ， 

东机美 DG4V-3-23A-M-P7-H-7-54 日本TOKIMEC， ，，图2图3，，载荷和转速等因素的影响,无须考虑相对标准值或与以前的数据进行对比,另外,它不受信，，号绝对水平的影响,即使测量点同以往的略有不同,对参数的计算结果也不会产生明显的影响。本文将以这些处理过的参数作为神经网络输入层输入来对轴承故障做出诊断。，，设采集到的振动信号为(i=1,2,…,n,n 为采样点数),则，，均方根值，，峰值 （ 为利用某一峰值计数法从信号中找到的m个峰值，j=1,2,…m），，峭度，，峰值因子，，峭度因子，，脉冲因子 ，，波形因子，，裕度因子 ，，3 采用BP神经网络模型进行滚动轴承故障诊，，3.1网络层次节点数目确定，，模型采用3层BP神经网络，输入层相对于上述6个处理过的特征参数，因而有6个节点，在运行的柱塞泵滚动轴承的6个测点安装传感器，拟人工设置三种轴承故障模式：轴承外环故障、轴承内环故障、滚动体故障，故对应于这三种故障输出层有3个节点。阴层节点数根据经验公式 来确定，其中：，，隐含层神经元数目；，，输入层神经元数目；，，输出层神经元数目；，，1~10之间的整数。，，本文选用的隐层节点数目是12。如图1所示，，3.2网络训练，，神经网络具有自适应、自学习能力，因而当训练样本达到一定数量后，网络具有良好的非线性逼近能力，达到理想的故障模式识别。但达到上述效果，用于训练神经网络的样本必须满足以下俩个要求：a、样本足够数量多，从而使网络经过训练后，收敛性良好；b、样本包含各类故障的典型样本，即要求训练样本集完整。，，本文选用的样本数据来自实验数据，依据数据性质，分为四类：轴承正常、外圈划伤、内圈划伤、滚子划伤。每类数据各有20个样本，共80个训练样本。表1节选了轴承四种状态各5个共20个训练样本。，，在MatLab环境下，选用收敛性良好的Levenberg-Marquardt算法对BP神经网络进行训练，参数设定如下：学习率0.05；训练步数100；训练目标误差0.001；通过调试可知，Levenberg-Marquardt算法收敛速度很快，因此，训练后的BP神经网络就是滚动轴承早期故障的识别网络。，，3.3检验网络，，轴承四种状态的期望输出分别为：正常（0 0 0）；外圈划伤（1 0 0）；内圈划伤（0 1 0）;滚子划伤（0 0 1）。，，用训练好的网络对待检样本进行识别，原理图见图3，神经网络对滚动轴承检验样本进行诊断的输出结果如表2所示，可以看出，神经网络能根据早期振动测得的数据准确地判断轴承的故障类型，说明神经网络采用上述算法以及特征参数能够较好的对故障模式进行识别。，，4 结论，，航空液压泵轴承是液压泵的重要支撑部件，对其故障诊断具有重要意义。BP神经网络模型具有较强的自学习、自适应、联想记忆及非线性模式识别能力，特别适用于多故障、多征兆等复杂模式的识别。本文通过对轴承振动信息处理，提取无量纲特征参数作为神经网络输入，实验结果表明，利用BP神经网络对航空滚动轴承早期故障模式进行识别是可靠与有效的。

东机美 DG4V-3-23A-M-P7-H-7-54 日本TOKIMEC