基于HHT和BP神经网络的压缩机气阀故障诊断研究

发布时间：2020-10-30 02:50

　　 随着科学技术的进步与生产力的发展,机械设备运行的复杂性增加,故障诊断技术也得到大家的重视。针对压缩机的气阀故障诊断,Hilbert-Huang变换作为一种新发展起来的具有自适应的时频分解能力的信号处理方法,能够较好的实现故障特征的提取。另外,BP神经网络具有较强模式识别能力,对于解决故障分类具有独特的优势,但是传统的BP算法具有寻优速度慢,易陷入局部极小的缺点,针对这点,本文引入了主成分分析和一种遗传-粒子群算法分别改善BP网络的结构和算法的优化。在采集到的气阀加速度振动信号基础上,利用Hilbert-Huang提取信号特征,主成分分析进行降维,将这种遗传-粒子群算法用于BP神经网络的参数优化实现对压缩机气阀状态的识别。本篇论文可以分为以下几个部分的内容:(1)简单介绍了课题的研究背景与意义,分析了压缩机气阀常见的故障诊断方法和存在的问题;(2)介绍了短时傅里叶变换和小波变换两种十分常用和典型的信号处理方法,并结合压缩机气阀的仿真分析,总结了该两种方法的局限性;(3)在Hilbert-Huang的基础上提出一种压缩机气阀的特征提取方法:首先进行降噪步骤,然后通过Hilbert-Huang处理方法提取出固有模态函数分量信号的能量特征与边际谱小区间特征,两种特征够成特征向量,最后利用主成分分析法对特征向量进行降维处理;(4)简要介绍了人工神经网络,引出了BP神经网络的原理、算法等;利用特征提取方法得到四种工况的特征向量,使用标准的BP神经网络对压缩机气阀各类故障的识别和分类。最后分析识别结果,总结标准的BP算法所存在的局限性;(5)提出了一种遗传-粒子群(GA-PSO)算法优化BP神经网络,在粒子群算法(PSO)的基础上融入遗传算法(GA)的步骤得到本文的遗传-粒子群算法,该算法结合了粒子群和遗传算法各自的优点,将该遗传-粒子群算法用于BP神经网络的参数优化过程。最后通过利用三种网络分别是标准BP网络、PSO-BP网络、GA-PSO-BP网络对压缩机气阀进行故障诊断,测试验证了GA-PSO-BP神经网络对压缩机气阀故障诊断优于另外两种网络,具有可行性。(6)总结全文
【学位单位】：电子科技大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TH45;TP183
【部分图文】：

诊断技术是现代化生产发展的产物。早在 60 年代末，美国国家机械故障预防小组，英国成立了机械保健中心。由于诊断技术效益，从而得到迅速发展，国外在该领域一直处于领先地位，际故障诊断权威专家。我国开展机械故障诊断技术较晚，大致第一阶段从 20 世纪 70 年代到 80 年代初期，主要是引进和吸收在此基础上开展机械设备的故障机理、诊断方法等研究；第二代初到 80 年代末，主要研究各种新的诊断技术，研究和创建断方法，将设备诊断技术向生产实践中推广；第三阶段从 20 ，主要从理论和生产实践上建立系统的诊断理论，研究设备状系统，将我国的机械设备故障诊断技术推向理论研究和应用的，对于压缩机气阀的故障诊断技术基本上停留在第二阶段，而今仍然不成熟，不能够在实际中得到有效应用[3,4]。由此可见，展开故障诊断技术的研究是必要的。由于气阀位于压缩机的内缩机来讲可以说相当小而且结构精细，容易发生故障。图 1-1 展结构，其中阀片、弹簧最易发生故障。

图 1-2 诊断过程（1）信号检测信号检测必须要符合 2 个条件：第一个，在线实时性；第二个，全面信息性。只有满足了以上两个条件，其采集的信号才能清晰的体现出设备所测零件的真实特性，才能满足后续处理的需求。（2）信号处理对于直接通过传感器收集的状态信号，一般状态下都包含了机械设备运行时不可避免的噪声影响，此时的信号就不应该直接用来进行判别。因此，如何转换成具有能被识别的信息是关键，这就需要从原信号中选择具有代表意义的特征参数了，此过程有两个条件：一是对设备的运行变化能快速识别；二是特征参数需伴随设备的工作进程有规律的变化。（3）状态识别状态识别时诊断的重要一步，故障诊断从概念上可以通俗的理解为故障分类，

图 1-3 故障诊断中神经网络的优势目前已经有大量的科研人员对于神经网络应用在各个领域的机械设备的故障诊断上。从一些研究结果可以看出，神经网络在故障诊断方面有长处，也具有不足之处，它在并行计算、智能分类、学习等方面上具有较强的优势，但是也存在着网络结构的无法精确核定、诊断效率不高效、训练样本不好抉择等问题。提出这些的复杂问题，人们也不断的在进行探索，一种方法就是不将神经网络单独的进行使用，而是使其通过与其他方法相结合的形式对其进行改造和优化，尝试对神经网络的性能及故障诊断效率进行提高，针对实际问题改善网络自身的不足，例如利用遗传算法等理论进行对网络的一种优化。1.5 论文主要工作本文针对往复式压缩机气阀阀盖上采取的 4 种气阀运行状态的加速度振动信号，通过进行 Hilbert-Huang 变换等一系列的信号处理，提取其中相应信号的故障特征；再利用以粒子群算法为基础的一种遗传-粒子群算法代替 BP 神经网络原有
【相似文献】

相关期刊论文 前10条

1 王满;潘树林;广柯平;欧胜芳;;循环压缩机气阀功耗的工程计算与应用[J];石油化工设备技术;2016年05期

2 张波;邵合生;赵辉;;3SVL500型压缩机气阀故障原因分析及改进措施[J];中国设备工程;2012年12期

3 赵质良;陈学峰;程明;;压缩机气阀故障诊断[J];装备制造技术;2010年10期

4 丁生华;瞿宜鸿;;活塞压缩机气阀的研究与发展方向[J];甘肃科技纵横;2009年02期

5 孙品同;于宏志;柴立平;;循环压缩机气阀能量损失研究[J];通用机械;2006年08期

6 曾明星,胡院生,王逸;应用统计分析法优化H_(22)Ⅲ压缩机气阀管理[J];中国设备工程;2004年08期

7 张铁岭;压缩机气阀结构的改进[J];林业机械与木工设备;2004年06期

8 田树杰,李国印,韩俊彦;2Z-3/8型空气压缩机气阀压盖的改造[J];河南化工;2003年10期

9 李树发;压缩机气阀泄漏及密封治理[J];润滑与密封;1994年01期

10 陈宏斌;车用空气压缩机气阀的试验研究[J];汽车技术;1987年07期

相关博士学位论文 前1条

1 赵俊龙;往复式压缩机振动信号特征分析及故障诊断方法研究[D];大连理工大学;2010年

相关硕士学位论文 前10条

1 谢昭灵;基于HHT和BP神经网络的压缩机气阀故障诊断研究[D];电子科技大学;2018年

2 赵铁;往复式压缩机气阀故障诊断的实验研究[D];西北工业大学;2003年

3 孙博雅;往复式压缩机气阀智能故障诊断系统研究[D];大连理工大学;2009年

4 李旭朋;往复式压缩机气阀故障诊断的小波包分析方法[D];北京化工大学;2008年

5 隋国亮;基于CFD往复式压缩机气阀的特性分析[D];沈阳工业大学;2013年

6 李庆;往复式压缩机气阀阀片的故障分析与诊断[D];北京化工大学;2008年

7 张华;基于LM-BP神经网络的多级往复式压缩机气阀故障诊断研究[D];东华大学;2015年

8 秦强;基于基追踪、波形匹配和支持向量机的往复式压缩机气阀故障诊断研究[D];北京化工大学;2011年

9 杨晓;基于形态学分形的往复式压缩机气阀故障诊断方法[D];北京化工大学;2016年

10 谭良;活塞式压缩机气阀运动分析及性能优化[D];大连交通大学;2015年

本文编号：2861869