基于自组织映射网络的旋转机械故障诊断研究
发布时间：2021-08-11 13:58
旋转机械作为各种类型机械设备中数量最多、应用最广的一类机械设备,对其进行故障诊断具有重大意义,是国内外工程技术领域一直非常关注的课题。本文在对旋转机械的振动故障机理进行研究分析的前提下,着重对其故障的特征提取方法和分类识别方法进行了系统的理论和实验研究。在故障特征提取方面,考虑到故障振动信号的非平稳、非线性特征,提出小波分析和分形学结合的特征提取手段。基于离散小波变换的小波能量谱分析和基于分形学的关联维数特征提取方法,充分反映和有效刻画出信号的非平稳、非线性特征。试验证明了本方法的有效性。从一定程度上解决了旋转机械故障特征征兆描述的全面性问题。在故障分类识别方面,针对旋转机械故障复杂,故障样本不易获取,往往多故障同时并发等特点,结合二维自组织映射（SOM）网络无监督、不需要获取正确识别样本,以及反映输入样本的拓扑结构,形象直观、易于理解等优点,将其作为故障诊断的分类方法。提出网络改进模型,使其更加接近于实际生物神经元间的相互作用模式。试验证明,改进模型提高了网络收敛速度,降低了输出层特征图与输入空间的拓扑结构不匹配的风险,可靠性与稳定性大大提高。诊断结果以特征映射图的形式给出,从一定程...
【文章来源】：山东科技大学山东省
【文章页数】：90 页
【学位级别】：硕士
【部分图文】：
DWT分解框图
3.4.2.1旋转机械能量谱特征提取我们知道，当机器在不同的工作状态下时的振动信号是不同的，下面我们将对机器在低速、中速、高速三种运转状态下的故障振动信号进行分析。图3.5给出预处理后的轴承外环故障的时域波形图。很明显，从波形图上很难对故障的发生与否和发生什么故
延迟时间的确定是采用自相关函数法确定的，即计算各条波形在不同时延T下的自相关函数值C，绘制出C一T曲线，选取自相关函数值C对应的第一个零点对应的时间为延迟时间。例如，轴承外环故障的自相关函数如图3.11所示，第一个零点对应的时延T为8，因此，计算不平衡故障的关联维数时取延迟时间为8。嵌入维数m根据1认kens原理，取m从5开始，并逐渐增大。考虑到故障序列的长度有限，m亦不能取得过大，因此，取们n二9。图3.11不平衡故障的自相关函数Fig.3.11eorrelationfunctionofimbalaneedrotorfau1t-75-7名-85习︵‘︶￡口u闷一95L-~-曰‘~~曰~孟.....‘..se.J....曰.一 2.5一2」一23一22一2.1一2一1.9一lts一17一1.6一15一一 一厂 厂厂关联维数嵌入维数
【参考文献】：
期刊论文
[1]神经网络及其研究进展[J]. 吴建生,周优军,金龙. 广西师范学院学报(自然科学版). 2005(01)
[2]神经网络在发动机状态监控与故障诊断中的应用综述[J]. 韩庆田,杨兴根,张振家. 导弹与航天运载技术. 2004(05)
[3]基于小波神经网络的旋转机械故障诊断[J]. 江磊,江凡. 汽轮机技术. 2004(03)
[4]人工神经网络研究现状及其展望[J]. 朱大奇. 江南大学学报. 2004(01)
[5]基于G.P算法的关联维计算中参数取值的研究[J]. 党建武,黄建国. 计算机应用研究. 2004(01)
[6]一种用于故障诊断的演化小波神经网络[J]. 谢平. 系统工程与电子技术. 2003(06)
[7]基于小波网络的非线性预测应用研究[J]. 陈义安,张义萍. 商业研究. 2003(04)
[8]基于神经网络的旋转机械故障诊断研究[J]. 陈长征,张省,虞和济. 机械强度. 2000(02)
[9]小波神经网络研究进展及展望[J]. 陈哲,冯天瑾. 青岛海洋大学学报(自然科学版). 1999(04)
[10]智能故障诊断技术的发展和展望[J]. 吴今培. 振动.测试与诊断. 1999(02)
博士论文
[1]基于智能技术的民航发动机故障诊断和寿命预测研究[D]. 郝英.南京航空航天大学 2006
[2]HMM动态模式识别理论、方法以及在旋转机械故障诊断中的应用[D]. 冯长建.浙江大学 2002
[3]汽轮发电机组振动多故障诊断模型及方法研究[D]. 张彼德.重庆大学 2002
[4]基于信息融合技术的故障诊断方法的研究及应用[D]. 王志鹏.大连理工大学 2001
[5]基于非线性理论的汽轮机轴系振动故障研究[D]. 戈志华.华北电力大学 2000
硕士论文
[1]分形理论应用于齿轮箱滚动轴承故障诊断的研究[D]. 杨皓.长沙理工大学 2007
[2]基于分形和支持向量机的机械设备故障诊断[D]. 冯振华.太原理工大学 2007
[3]基于神经网络的机械振动故障诊断系统设计[D]. 许娟.沈阳工业大学 2007
[4]基于LabVIEW的旋转机械故障诊断可视化系统的设计[D]. 冯今朝.西北工业大学 2007
[5]基于神经网络的旋转机械故障诊断方法研究[D]. 崔慧敏.燕山大学 2007
[6]发电机转子绕组匝间短路及转子支承轴系故障诊断方法的研究[D]. 陈小玄.中南大学 2007
[7]基于自组织特征映射网络的聚类算法研究[D]. 吴红艳.重庆大学 2006
[8]基于LABVIEW平台的汽车变速箱故障诊断系统研究[D]. 赵永杰.同济大学 2006
[9]基于神经网络和小波分析的水力机组振动故障诊断研究[D]. 陈继尧.西安理工大学 2006
[10]基于径向基神经网络的飞机发动机故障诊断研究[D]. 吴月伟.中国民用航空学院 2006
本文编号：3336284
【文章来源】：山东科技大学山东省
【文章页数】：90 页
【学位级别】：硕士
【部分图文】：
DWT分解框图
3.4.2.1旋转机械能量谱特征提取我们知道，当机器在不同的工作状态下时的振动信号是不同的，下面我们将对机器在低速、中速、高速三种运转状态下的故障振动信号进行分析。图3.5给出预处理后的轴承外环故障的时域波形图。很明显，从波形图上很难对故障的发生与否和发生什么故
延迟时间的确定是采用自相关函数法确定的，即计算各条波形在不同时延T下的自相关函数值C，绘制出C一T曲线，选取自相关函数值C对应的第一个零点对应的时间为延迟时间。例如，轴承外环故障的自相关函数如图3.11所示，第一个零点对应的时延T为8，因此，计算不平衡故障的关联维数时取延迟时间为8。嵌入维数m根据1认kens原理，取m从5开始，并逐渐增大。考虑到故障序列的长度有限，m亦不能取得过大，因此，取们n二9。图3.11不平衡故障的自相关函数Fig.3.11eorrelationfunctionofimbalaneedrotorfau1t-75-7名-85习︵‘︶￡口u闷一95L-~-曰‘~~曰~孟.....‘..se.J....曰.一 2.5一2」一23一22一2.1一2一1.9一lts一17一1.6一15一一 一厂 厂厂关联维数嵌入维数
【参考文献】：
期刊论文
[1]神经网络及其研究进展[J]. 吴建生,周优军,金龙. 广西师范学院学报(自然科学版). 2005(01)
[2]神经网络在发动机状态监控与故障诊断中的应用综述[J]. 韩庆田,杨兴根,张振家. 导弹与航天运载技术. 2004(05)
[3]基于小波神经网络的旋转机械故障诊断[J]. 江磊,江凡. 汽轮机技术. 2004(03)
[4]人工神经网络研究现状及其展望[J]. 朱大奇. 江南大学学报. 2004(01)
[5]基于G.P算法的关联维计算中参数取值的研究[J]. 党建武,黄建国. 计算机应用研究. 2004(01)
[6]一种用于故障诊断的演化小波神经网络[J]. 谢平. 系统工程与电子技术. 2003(06)
[7]基于小波网络的非线性预测应用研究[J]. 陈义安,张义萍. 商业研究. 2003(04)
[8]基于神经网络的旋转机械故障诊断研究[J]. 陈长征,张省,虞和济. 机械强度. 2000(02)
[9]小波神经网络研究进展及展望[J]. 陈哲,冯天瑾. 青岛海洋大学学报(自然科学版). 1999(04)
[10]智能故障诊断技术的发展和展望[J]. 吴今培. 振动.测试与诊断. 1999(02)
博士论文
[1]基于智能技术的民航发动机故障诊断和寿命预测研究[D]. 郝英.南京航空航天大学 2006
[2]HMM动态模式识别理论、方法以及在旋转机械故障诊断中的应用[D]. 冯长建.浙江大学 2002
[3]汽轮发电机组振动多故障诊断模型及方法研究[D]. 张彼德.重庆大学 2002
[4]基于信息融合技术的故障诊断方法的研究及应用[D]. 王志鹏.大连理工大学 2001
[5]基于非线性理论的汽轮机轴系振动故障研究[D]. 戈志华.华北电力大学 2000
硕士论文
[1]分形理论应用于齿轮箱滚动轴承故障诊断的研究[D]. 杨皓.长沙理工大学 2007
[2]基于分形和支持向量机的机械设备故障诊断[D]. 冯振华.太原理工大学 2007
[3]基于神经网络的机械振动故障诊断系统设计[D]. 许娟.沈阳工业大学 2007
[4]基于LabVIEW的旋转机械故障诊断可视化系统的设计[D]. 冯今朝.西北工业大学 2007
[5]基于神经网络的旋转机械故障诊断方法研究[D]. 崔慧敏.燕山大学 2007
[6]发电机转子绕组匝间短路及转子支承轴系故障诊断方法的研究[D]. 陈小玄.中南大学 2007
[7]基于自组织特征映射网络的聚类算法研究[D]. 吴红艳.重庆大学 2006
[8]基于LABVIEW平台的汽车变速箱故障诊断系统研究[D]. 赵永杰.同济大学 2006
[9]基于神经网络和小波分析的水力机组振动故障诊断研究[D]. 陈继尧.西安理工大学 2006
[10]基于径向基神经网络的飞机发动机故障诊断研究[D]. 吴月伟.中国民用航空学院 2006
本文编号：3336284
本文链接：https://www.wllwen.com/jixiegongchenglunwen/3336284.html
