破碎机械故障智能诊断系统的开发

发布时间：2021-05-11 11:46

　　破碎机械广泛应用于各工业领域的散料处理系统中,属于散料处理系统中的重要设备。破碎机械破碎物料过中,有冲击、磨损等故障发生,由于故障的复杂性以及部件运动形式的多样性,因为破碎机械是重载冲击类的机械设备,实际生产中故障率高且维修工期长。随着机械故障诊断技术的飞速发属,破碎机械急需专业化、性能可靠、确诊率高、智能化的智能诊断系统,以减少人工主观判断故障的误差及减少对专业技术人员的需求。因此,建立可靠的专用性智能诊断系统,保证破碎机械平稳运行,对于各工业领域的散料处理系统具有重要的现实意义。机械故障智能诊断过程主要包括三个步骤:振动信号的采集及分析,对振动特征信息的提取,分析故障机理,由故障机理的振动特征值对故障进行模式识别。整个过程中的振动信号采集是基础,特征提取是关键,将直接影响模式识别的准确性和可靠性,故障模式识别是结果。本文以破碎机械为研究对象,分析破碎机械的结构,研究破碎机械的故障机理及故障特征。通过采集几类常见的破碎机械的故障样本,对样本进行幅域信号、时域信号、频域信号等分析,在信号处理后进行特征提取,利用改进BP神经网络,确定神经网络的学习方法,通过采集的样本对神经网络的训练,从... 

【文章来源】：黑龙江大学黑龙江省

【文章页数】：78 页

【学位级别】：硕士

【文章目录】：
中文摘要
abstract
第1章 绪论
    1.1 课题研究的目的、背景和意义
    1.2 国内外故障诊断的研究现状
        1.2.1 国外破碎机械的故障诊断研究现状
        1.2.2 国内破碎机械的故障诊断研究现状
    1.3 关键技术
    1.4 本文主要章节内容与结构
第2章 信号采集、分析与神经网络
    2.1 破碎机械的系统
        2.1.1 振动系统
        2.1.2 振动相关参数
        2.1.3 转子系统模型
    2.2 信号采集及故障检测
        2.2.1 信号分类及采样定理
        2.2.2 信号检测和采集
    2.3 信号的分析及其数据图
        2.3.1 幅值分析
        2.3.2 时域分析
        2.3.3 频域分析
        2.3.4 信号数据图
    2.4 基于神经网络的故障诊断
        2.4.1 智能诊断理论
        2.4.2 神经网络构成
        2.4.3 bp神经网络
    2.5 本章小结
第3章 破碎机械故障的特征分析及算法
    3.1 破碎机械的结构和主要参数
        3.1.1 破碎机械的结构
        3.1.2 破碎机械的主要参数
    3.2 破碎机械常见故障类别及其故障特征
        3.2.1 不平衡的故障特征
        3.2.2 不对中的故障特征
        3.2.3 转轴裂纹的故障特征
        3.2.4 配合过盈不足的故障特征
        3.2.5 支承松动的故障特征
    3.3 信号检测及特征分析
        3.3.1 信号的采集和预处理
        3.3.2 信号的幅值分析
        3.3.3 信号的时域分析
        3.3.4 信号的频域分析
    3.4 改进算法及神经网络的学习流程
        3.4.1 bp神经网络的改进算法
        3.4.2 改进学习过程流程图和步骤
    3.5 本章小结
第4章 破碎机械智能诊断系统及测试
    4.1 系统的总体设计和诊断过程
        4.1.1 总体设计
        4.1.2 诊断过程
    4.2 转子试验台及采集系统
        4.2.1 转子试验台
        4.2.2 硬件选择及布置
        4.2.3 采集方案
    4.3 智能诊断系统
        4.3.1 神经网络模型
        4.3.2 神经网络训练
    4.4 系统测试
    4.5 本章小结
结论与展望
参考文献
致谢
攻读学位期间发表论文


【参考文献】：
期刊论文
[1]基于CEEMDAN与奇异值分解的往复机械故障诊断方法研究[J]. 别锋锋,徐鹏青,裴峻峰,张仕佳.  噪声与振动控制. 2018(04)
[2]基于EEMD降噪和FFT的转子故障振动分析[J]. 马转霞,费维科,周新涛,刘涛.  噪声与振动控制. 2018(04)
[3]基于核极限学习机的旋转机械故障诊断方法[J]. 王普,温峥,高学金,温焕然.  噪声与振动控制. 2018(02)
[4]基于BP神经网络及其改进算法的汽轮发电机组故障诊断[J]. 马路林,姚刚.  上海电力学院学报. 2017(04)
[5]基于模糊神经网络的智能故障诊断专家系统[J]. 司景萍,马继昌,牛家骅,王二毛.  振动与冲击. 2017(04)
[6]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[7]FCM方法和SVM方法在燃料电池故障诊断模式识别中的对比研究[J]. 周苏,杨铠,胡哲.  机电一体化. 2016(05)
[8]无线传感器网络多级融合的机械故障诊断方法[J]. 汤宝平,邓兵,邓蕾,颜丙生.  振动.测试与诊断. 2016(01)
[9]S变换用于滚动轴承故障信号冲击特征提取[J]. 郭远晶,魏燕定,周晓军,傅雷.  振动.测试与诊断. 2014(05)
[10]基于经验模态分解的旋转机械故障信号去噪源分离[J]. 王元生,任兴民,邓旺群,杨永锋.  西北工业大学学报. 2013(02)

博士论文
[1]基于复合网络拓扑结构的悬臂式掘进机故障诊断方法[D]. 尹同舟.中国矿业大学(北京) 2017

硕士论文
[1]基于卷积神经网络的轴承故障诊断算法研究[D]. 张伟.哈尔滨工业大学 2017
[2]全局与局部特征信息融合的旋转机械故障数据集降维方法研究[D]. 赵孝礼.兰州理工大学 2017
[3]基于数据流的汽轮机组故障智能诊断系统的研究[D]. 程维华.浙江大学 2017
[4]基于神经网络和模糊逻辑的WSN智能故障诊断研究[D]. 周奚.南京航空航天大学 2017
[5]滚动轴承故障程度和工况不敏感智能诊断方法研究[D]. 张磊.华东交通大学 2016
[6]基于布谷鸟搜索算法的神经网络在抽油机故障诊断中的应用[D]. 田野岑.东北石油大学 2016
[7]光电式动态扭矩测量系统的设计与实验[D]. 王辉.燕山大学 2010



本文编号：3181350