智能点巡检系统开发及散热风扇状态监测智能方法研究

发布时间：2017-07-07 13:17

  本文关键词：智能点巡检系统开发及散热风扇状态监测智能方法研究

  更多相关文章： 智能 点巡检 BP神经网络 小波包 支持向量机

【摘要】：本文分为智能点巡检系统开发和散热风扇状态监测智能方法研究两部分。第一篇智能点巡检系统开发,目前设备信息化、数字化管理对企业至关重要,但一些厂区分散的企业,受地理位置、网络线路铺设成本等因素影响,一时难以实现。本文针对这一情况,将无线网与有线网相结合,并融入TPM理念,开发了一套智能点巡检系统,为企业提供一个良好的信息化管理平台。该系统采用双数据库存储结构,并通过ADO方式与系统软件连接,系统软件采用C/S和B/S组合结构,实现全厂区的数据共享。C/S端利用C++语言以“模块化”原则进行设计,封装成DLL等ActiveX组件,完成厂区外部的设备点巡检、报表查询、数据分析、专家系统查询等功能；B/S端利用C#语言进行设计,完成厂区内部的数据查看与分析。第二篇散热风扇状态监测智能方法研究,散热风扇作为辅助设备广泛应用于各个领域,目前因缺少合理有效的风扇状态监测手段而往往严重影响主系统的正常运行。针对这一问题专门进行了风冷实验,对风扇完成长期的监测和数据采集,并通过风扇全寿命实验数据分析,探索风扇的有效监测方法。在故障诊断方面,提出了一种将小波包分析和支持向量机相结合的智能方法,实现了散热风扇滚动轴承常见故障的准确识别：在寿命预测方面,提出了基于时间序列分析和BP神经网络的组合预测模型,实现了散热风扇剩余寿命的准确预测。本文提出的两种方法,为实现散热风扇的智能化监测,提供了指导意义。论文通过两部分内容的研究,为机械设备状态监测与故障诊断向智能化方向发展提供了新思路与新途径。
【关键词】：智能 点巡检 BP神经网络 小波包 支持向量机
【学位授予单位】：北京化工大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TB49
【目录】：

• 摘要4-6
• ABSTRACT6-17
• 符号说明17-18
• 第一篇 智能点巡检系统开发18-60
• 第一章 绪论18-24
• 1.1 前言18-19
• 1.2 国内外现状19-21
• 1.2.1 国内现状19-20
• 1.2.2 国外现状20-21
• 1.3 论文研究主要内容21-24
• 第二章 系统功能需求分析24-30
• 2.1 设备点巡检制度24
• 2.2 我国企业设备管理现状24-26
• 2.2.1 在线监测系统24-25
• 2.2.2 离线式点巡检系统25-26
• 2.3 功能需求分析26-28
• 2.4 本章小结28-30
• 第三章 点巡检系统框架构建30-46
• 3.1 网络框架构建30-33
• 3.1.1 几种数据传输方式的介绍30-31
• 3.1.2 网络类型的选择31-32
• 3.1.3 点巡检系统网络模式32-33
• 3.2 点巡检系统结构选择33-35
• 3.2.1 C/S结构和B/S结构33-35
• 3.2.2 点巡检系统结构确定35
• 3.3 数据库总体设计35-39
• 3.3.1 数据库类型选择35-36
• 3.3.2 数据库结构设计36-39
• 3.4 系统软件总体构思39-44
• 3.4.1 系统功能模块39-40
• 3.4.2 点巡检系统流程40-41
• 3.4.3 系统开发语言选择41-42
• 3.4.4 系统开发平台选择42-43
• 3.4.5 系统软件开发模式43-44
• 3.5 本章小结44-46
• 第四章 智能点巡检系统实现46-58
• 4.1 服务器配置46-47
• 4.2 数据库访问47
• 4.3 ActiveX组件封装47-49
• 4.4 C/S结构功能界面49-56
• 4.4.1 登录权限设定49-50
• 4.4.2 系统主体界面50-51
• 4.4.3 信息维护、查询及分析51-55
• 4.4.4 故障诊断辅助55-56
• 4.5 B/S结构界面简介56-57
• 4.6 本章小结57-58
• 第五章 总结与展望58-60
• 5.1 总结58
• 5.2 展望58-60
• 第二篇 散热风扇状态监测智能方法研究60-106
• 第一章 绪论60-64
• 1.1 课题背景及意义60
• 1.2 国内外研究现状60-62
• 1.2.1 故障诊断61
• 1.2.2 寿命预测61-62
• 1.3 本课题主要研究内容62-64
• 第二章 风冷实验介绍64-70
• 2.1 散热风扇介绍64-66
• 2.1.1 风扇结构64
• 2.1.2 风扇主要故障形式64-66
• 2.2 实验介绍66-67
• 2.3 风扇数据采集67-69
• 2.3.1 非振动数据采集67-68
• 2.3.2 振动数据采集68-69
• 2.4 本章小结69-70
• 第三章 风扇滚动轴承故障诊断研究70-88
• 3.1 风扇滚动轴承故障诊断方法选择70-71
• 3.2 基于小波包和SVM的滚动轴承故障类型识别71-77
• 3.2.1 小波包介绍71-72
• 3.2.2 小波包分解与重构72-73
• 3.2.3 小波包分解后特征参数提取73-75
• 3.2.4 基于SVM的故障类型分类75-77
• 3.3 实验数据分析77-86
• 3.3.1 风扇滚动轴承信号特征77-80
• 3.3.2 特征参数提取及样本构建80-83
• 3.3.3 SVM样本训练及测试83-86
• 3.3.4 同神经网络对比86
• 3.4 本章小结86-88
• 第四章 风扇剩余寿命预测研究88-104
• 4.1 风扇剩余寿命评估参数确定88-89
• 4.2 时间序列和神经网络组合预测模型89-93
• 4.2.1 时间序列ARIMA模型89-91
• 4.2.2 BP神经网络模型91-93
• 4.2.3 基于ARIMA和BP神经网络的组合预测模型93
• 4.3 数据处理及分析93-103
• 4.3.1 数据预处理93-94
• 4.3.2 数据平稳变换94-97
• 4.3.3 时间序列模型的识别与定阶97-99
• 4.3.4 ARIMA模型的建立与适应性检验99-100
• 4.3.5 利用ARIMA模型进行趋势预测100-101
• 4.3.6 结合BP神经网络101-103
• 4.4 本章小结103-104
• 第五章 总结与展望104-106
• 5.1 总结104-105
• 5.2 展望105-106
• 参考文献106-112
• 致谢112-114
• 研究成果及发表的学术论文114-116
• 作者及导师简介116-117
• 附件117-118

【参考文献】

中国期刊全文数据库 前10条

1 李巍华;翁胜龙;张绍辉;;一种萤火虫神经网络及在轴承故障诊断中的应用[J];机械工程学报;2015年07期

2 文小琴;刘琴琴;游林儒;毕淑娥;;基于可靠性模型及数据融合的冷却风扇健康管理算法[J];计算机测量与控制;2014年08期

3 何正嘉;曹宏瑞;訾艳阳;李兵;;机械设备运行可靠性评估的发展与思考[J];机械工程学报;2014年02期

4 申中杰;陈雪峰;何正嘉;孙闯;张小丽;刘治汶;;基于相对特征和多变量支持向量机的滚动轴承剩余寿命预测[J];机械工程学报;2013年02期

5 王国彪;何正嘉;陈雪峰;赖一楠;;机械故障诊断基础研究“何去何从”[J];机械工程学报;2013年01期

6 孙树敏;王尚斌;张华伟;赵俊;程艳;;风电场群远程监控系统的现状及发展趋势[J];山东电力技术;2012年06期

7 刘瑞叶;黄磊;;基于动态神经网络的风电场输出功率预测[J];电力系统自动化;2012年11期

8 王吉鹏;李燕坡;陈峰;孙占峰;;润滑管理与设备点检有效结合的探讨[J];设备管理与维修;2012年S1期

9 唐先广;郭瑜;丁彦春;郑华文;;基于短时傅里叶变换和独立分量分析的滚动轴承包络分析[J];机械强度;2012年01期

10 李兴;张礼崇;郜祥;王焱;;机械设备状态监测及诊断技术[J];技术与市场;2012年01期

，

本文编号：530358