基于BP神经网络和D-S证据理论的石化机组滚动轴承故障诊断研究

发布时间：2020-09-20 21:30

　　 在石油化工行业中,旋转机械设备的结构与组成变得越来越复杂。目前,石化机组日益趋向于大型化、高速化、自动化,在旋转机械故障诊断中,信号处理、模式识别、人工智能等方法大大提高了工业系统的稳定性和安全性。但是由于石化机组所处的环境比较复杂,影响现场的因素很多,具有较大的不确定性特点。因此,在实际工业石化现场故障诊断中,依然存在着故障诊断误诊、漏诊,及准确度不够精确等问题。在旋转机械中,滚动轴承的应用最为广泛,也是极易发生故障的零件之一。轴承故障的恶化不仅会降低机组的稳定性,严重的故障也会带来意外的停机和人员伤害等事件,严重影响工业生产作业。因此,开展石化机组轴承的故障诊断研究能够在早期发现故障并提出合理的维修方案排除潜在故障,具有非常重要的现实和理论意义。本文以石化机组的滚动轴承为研究对象,1)介绍了滚动轴承的振动特性、故障机理、以及单点损伤故障诊断理论模型;2)分析了小波变换、BP神经网络、D-S证据理论等方法的应用;3)并具体研究了石化机组滚动轴承常见的4种单一故障,为机组轴承故障诊断提供了理论依据。针对旋转机械轴承的故障诊断存在难分辨、精度不高等问题,本文提出了一种基于BP神经网络与D-S证据理论相结合的故障诊断方法。通过利用D-S证据理论分别将时域、频域在BP神经网络的结果进行融合,以此得到机组滚动轴承故障诊断的最终结果。首先对获取的轴承信号进行小波分解与重构,并分别选取其前4个小波系数进行重构;接着在时域上分别对每一个小波系数各提取7个时域特征值,利用BP神经网络获取轴承故障结果;然后在频域上分别对每一个小波系数各提取7个频域特征值,利用BP神经网络获取轴承故障结果;最后分别将时域、频域的故障分类结果归一化至[0,1],并将归一化后的结果进行时频域D-S证据理论融合。为了证明该方法的有效性,本文分别通过对美国凯斯西储大学电气工程实验室、广东省石化装备故障诊断重点实验室的滚动轴承数据进行实验分析与讨论。实验结果表明,本文提出的方法准确率比独自进行时域和频域分析的效果都要好,提高了故障分类的准确性和可靠性。
【学位单位】：华南理工大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TH133.33
【部分图文】：

便会大大降低了工作效率，所以开展滚动轴承故障诊断与预测可平稳地运行[29]。滚动轴承的故障诊断研究动轴承工作必会转动，从而产生滚动摩擦，所以说滚动轴承不但是一种转一种机械元件。那么，滚动轴承在石化机组中直接作用不仅降低机械运转系数，还能确保其回转精度。同时，滚动轴承还可以控制其实现轴向和径如电机没有轴承的话，机械设备是不能工作的。因为轴可能向任何方向作时要求轴只能作转动。除此之外，滚动轴承还可能影响传动，为了降低轴承上产生的摩擦，一定要对其实现良好的润滑，因为高速运转时，摩擦造成能耗，而且很容易造成轴承的损坏，从而影响石化机组的正常运行运转出现轴承故障时，为了避免安全事故的发生，需要及时进行监测与故组安全可靠地运行，其主要过程如图 2-1 所示：

第二章 滚动轴承的故障诊断研究滚道不断地进行摩擦，造成轴承的间隙越来越大，隙的加大，难免会有杂质或颗粒进入滚道，以及润。（2）轴承的锈蚀。轴承一般所处的环境十分恶劣或水分渗入，引起轴承的锈蚀；（3）轴承的断裂。载荷、及产生各种不同的振动，此时轴承的滚珠在不断扩大，从而造成轴承的断裂。目前，应用较多 所示：

图 2-3 轴承内圈故障示意图只受径向载荷时，那么其对应的载荷分布函 sin(90-)21q()q1-max 于滚动轴承来说，一般 n 1.1；rC 指的是； 指的是轴承载荷分布的系数，其表达式2）zcd（1-max cd 得，假设轴承内圈的故障点与其垂直方向成的方向成 角度。那么对应脉冲力的大小在轴方向的投影大小，则其脉冲力的作用p( ) sin(90- )

【相似文献】

相关期刊论文 前10条

1 张文宇;岳昆;张彬彬;;基于D-S证据理论的电子商务虚假评论者检测[J];小型微型计算机系统;2018年11期

2 胡晓伟;刘响;孙航航;;基于D-S证据理论的出租车减排策略评价[J];交通信息与安全;2019年01期

3 赵迪;于丽平;刘格;戴志鹏;;基于D-S证据理论的人机交互意图识别技术研究[J];组合机床与自动化加工技术;2019年03期

4 裴广利;赵建平;王欢;;基于D-S证据理论的网络安全态势预测研究[J];数码世界;2017年12期

5 张宝生;张庆普;;虚拟科技创新团队的知识流动效率评价研究——基于D-S证据理论[J];情报学报;2013年07期

6 刘标;许腾;李光;;D-S证据理论改进算法提高水下目标识别准确性[J];现代防御技术;2018年01期

7 屈贤;余烽;赵悦;;基于熵权灰色关联和D-S证据理论的疲劳驾驶险态辨识[J];汽车安全与节能学报;2018年02期

8 唐盼盼;;基于D-S证据理论的船舶动力系统配置设计评价方法[J];舰船科学技术;2019年14期

9 沈千里;章剑林;汤兵勇;;基于网络评论信息和D-S证据理论的云计算服务信任及采纳研究[J];图书馆学研究;2018年01期

10 李佳;范巍;;基于改进D-S证据理论的网络入侵检测[J];控制工程;2017年11期

相关会议论文 前9条

1 李小林;屈卫东;;基于D-S证据理论的航空发动机气路故障融合诊断[A];第37届中国控制会议论文集（D）[C];2018年

2 马永一;饶正周;龙秀虹;;一种新的基于粗糙集理论的证据获取方法[A];Proceedings of 14th Chinese Conference on System Simulation Technology & Application(CCSSTA’2012)[C];2012年

3 许寅卿;;智能化的变压器绝缘老化诊断方法[A];第二十五届华东六省一市电机工程（电力）学会输配电技术研讨会优秀论文集[C];2017年

4 丁浩;冀海峰;李强伟;黄志尧;李海青;;D-S证据理论在气固流化床流态判别中的应用[A];中国仪器仪表学会测控技术在资源节约和环境保护中的应用学术会议论文集[C];2001年

5 王红霞;田国会;李晓磊;卜范骞;;基于地标信息融合的家庭环境机器人组合导航[A];第二十六届中国控制会议论文集[C];2007年

6 张琦;夏向阳;;基于模糊证据理论的XLPE电缆绝缘状态评估研究[A];中国电工技术学会学术年会——新能源发电技术论坛论文集[C];2013年

7 赵丰文;冯辅周;戴耀;司爱威;;基于信息融合的变速箱故障诊断研究[A];第十二届全国设备故障诊断学术会议论文集[C];2010年

8 朱卫东;孙宜博;吴勇;;两维证据框架下基于证据源特征的分组合成算法研究[A];中国系统工程学会第十八届学术年会论文集——A02管理科学[C];2014年

9 周宇;周红琼;叶庆卫;王晓东;;基于D-S理论融合方法的网络质量评价[A];2011年中国智能自动化学术会议论文集（第一分册）[C];2011年

相关博士学位论文 前10条

1 王洪波;多源信息特征提取与融合及其在信息管理中的应用[D];合肥工业大学;2015年

2 曾珠;基于客户行为差异的汽车售后服务推荐研究[D];武汉理工大学;2013年

3 岑健;基于人工免疫系统的机组复合故障诊断技术研究[D];华南理工大学;2010年

4 姜江;证据网络建模、推理及学习方法研究[D];国防科学技术大学;2011年

5 韩进;矿井水害监控及决策支持技术研究[D];上海大学;2008年

6 刘培勋;车辆主动安全中关于车辆检测与跟踪算法的若干研究[D];吉林大学;2015年

7 刘哲席（Yu Chol Sok）;不确定性冲突信息的融合方法研究及在故障诊断中的应用[D];北京科技大学;2015年

8 胡文刚;基于多值域特征及数据融合的焊缝缺陷超声检测与识别[D];哈尔滨工业大学;2012年

9 王平;非结构化对等网络中的信任机制及搜索策略研究[D];西南大学;2010年

10 倪红梅;基于智能计算的蒸汽驱开发效果预测与参数优化方法研究[D];东北石油大学;2016年

相关硕士学位论文 前10条

1 马琳;基于D-S证据理论的虚拟机性能评估[D];云南大学;2017年

2 曾万昕;基于D-S证据理论的光伏并网发电量预测研究[D];北京建筑大学;2018年

3 李志盛;基于SVDD和D-S证据理论的模拟电路模块故障诊断方法研究[D];哈尔滨工业大学;2018年

4 孟媛媛;基于高冲突证据修正的D-S证据理论及其应用研究[D];山东师范大学;2018年

5 林水泉;基于BP神经网络和D-S证据理论的石化机组滚动轴承故障诊断研究[D];华南理工大学;2018年

6 罗兰;D-S证据理论中冲突证据的合成研究[D];淮北师范大学;2018年

7 乔阔远;基于D-S证据理论的社交网络信任计算研究[D];河南科技大学;2018年

8 孟晨晨;D-S证据理论中冲突证据的研究及其应用[D];淮北师范大学;2017年

9 胡海亮;基于D-S证据理论的网络安全态势融合技术研究[D];国防科学技术大学;2015年

10 冯锋;贝叶斯网络和D-S证据理论在电网故障诊断中的应用研究[D];兰州理工大学;2017年

本文编号：2823174