基于神经网络的机械故障诊断技术的研究

发布时间：2017-05-25 08:04

  本文关键词：基于神经网络的机械故障诊断技术的研究，，由笔耕文化传播整理发布。

【摘要】：随着机械设备复杂程度和自动化水平的提高,机械设备故障诊断的重要性日益显著,而选择合适的诊断方法对于诊断结果是否精确至关重要。在智能故障诊断技术的研究中,小波分析和神经网络技术都是热点研究内容,也是研究的前沿。本文首先对故障诊断技术的研究内容及研究意义进行了阐述,介绍了故障诊断主要的方法及步骤,通过对机械故障振动信号的引入,对故障时振动的时域和频域的信号进行分析。接着介绍了基于神经网络的故障诊断技术的基本特征和性质,以及神经网络的主要类型,分析了神经网络作为一种新型技术的优点。其次,详细介绍了RBF网络,并将RBF神经网络与BP网络进行对比。由于RBF网络的预测精度要大于BP神经网络,同时RBF网络的训练时间明显小于BP网络,在故障诊断中显示出更大的优势。通过对各种理论基础的分析与比较,为后面的工作提供理论基础。由于小波变换不具备时移不变性,针对小波分析的不足,本文提出了多分辨率分析和小波固定时间基分析。以船用空气压缩机为例,对空气压缩机运行中的振动信号进行了研究,并对往复式压缩机的气阀振动信号进行了采集,得到相应测量数据。通过Labview平台基于小波固定时间基分析得到的实验数据,作为神经网络的输入样本。最后通过RBF神经网络对空气压缩机进行故障诊断。小波固定时间基分析有效地剔除了压缩机气阀故障信号中的冗余,降低了神经网络的输入维数,改善网络的收敛性能,从而减少了网络的训练时间,避免网络陷入局部极小。最终通过仿真实验证实了基于小波固定时间基分析和神经网络用于故障诊断的正确性和有效性。
【关键词】：机械故障诊断 RBF神经网络 小波理论 固定时间基 空气压缩机
【学位授予单位】：青岛科技大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TP183;TH17
【目录】：

• 摘要3-4
• ABSTRACT4-9
• 1 绪论9-14
• 1.1 选题背景和意义9
• 1.2 课题的发展水平和研究现状9-10
• 1.3 往复式压缩机故障诊断方法10-12
• 1.4 往复式压缩机故障诊断存在的问题12
• 1.5 本文主要的研究内容12-14
• 2 基于智能方法的机械故障诊断技术研究14-35
• 2.1 机械故障分类与特征14-17
• 2.1.1 机械故障的分类14-15
• 2.1.2 机械故障特征15-17
• 2.2 故障特征信号提取与分析17-25
• 2.2.1 机械故障诊断的过程17-18
• 2.2.2 机械故障信号分析技术18-22
• 2.2.3 振动的时域指标22-24
• 2.2.4 频域主要指标及频域振动分析24-25
• 2.3 人工神经网络故障诊断25-34
• 2.3.1 神经网络故障诊断的方法与步骤26
• 2.3.2 神经网络的基本组成与类型26-29
• 2.3.3 RBF神经网络的结构与特点29-30
• 2.3.4 RBF神经网络在故障诊断中的应用30-34
• 2.4 本章小结34-35
• 3 空气压缩机的故障机理及实验测量35-50
• 3.1 往复式空压机常见的故障35-36
• 3.2 空气压缩机的故障机理36-38
• 3.2.1 往复式空气压缩机的结构36-37
• 3.2.2 往复式空气压缩机的工作原理37-38
• 3.3 往复式空压机气阀工作原理和运动过程38-44
• 3.3.1 空压机气阀的工作原理38-39
• 3.3.2 气阀的动力学模型39-40
• 3.3.3 气阀的热力学模型40-41
• 3.3.4 气阀的运动过程41-42
• 3.3.5 气阀的一般故障分析与诊断42-44
• 3.4 空气压缩机的实验测量44-49
• 3.4.1 确定诊断对象44-46
• 3.4.2 选定测量参数46-47
• 3.4.3 选择监测点47-48
• 3.4.4 信号采集48-49
• 3.5 本章小结49-50
• 4 基于小波固定时间基的实验数据分析50-70
• 4.1 小波分析概述50
• 4.2 多分辨率分析在压缩机故障诊断中的应用50-62
• 4.3 对零通道的小波固定时间基分析62-69
• 4.4 本章小结69-70
• 5 基于RBF神经网络的空压机故障诊断仿真验证70-77
• 5.1 RBF神经网络设计原则70-73
• 5.1.1 网络输入与输出参数的确定70
• 5.1.2 训练样本集的设计70-71
• 5.1.3 初始权值的设计71
• 5.1.4 网络隐层结构设计71
• 5.1.5 创建RBF函数71-73
• 5.2 RBF网络应用于空压机故障诊断的过程与设计73-74
• 5.2.1 基于RBF网络的空压机故障诊断过程73-74
• 5.2.2 RBF网络应用于空压机故障诊断的设计74
• 5.3 RBF网络应用于空气压缩机的训练及结果74-76
• 5.3.1 网络输入变量归一化处理74-75
• 5.3.2 网络训练结果75-76
• 5.3.3 仿真结果分析76
• 5.4 本章小结76-77
• 结论与展望77-79
• 参考文献79-82
• 附录82-87
• 致谢87-88
• 攻读硕士学位期间发表的学术论文及科研成果88-89

【参考文献】

中国期刊全文数据库 前10条

1 张新华;;基于人工神经网络的文本分类[J];湖北第二师范学院学报;2015年02期

2 谷金诚;;基于小波和神经网络的故障诊断[J];职业;2011年21期

3 刘小民;张文斌;;一种基于径向基函数的近似模型构造方法[J];燕山大学学报;2010年05期

4 季忠;黄捷;秦树人;;提升小波在齿轮箱故障诊断中的应用[J];振动.测试与诊断;2010年03期

5 李维;;基于小波变换的神经网络模拟电路故障诊断[J];大连工业大学学报;2010年01期

6 张云飞;许敏;赵云胜;;人工神经网络在安全科学中的应用综述[J];中国安全生产科学技术;2008年06期

7 姚利斌;曹斌;张志新;马孝江;;基于小波包分析的往复式压缩机故障诊断[J];中国设备工程;2006年02期

8 智会强,牛坤,田亮,杨增军;BP网络和RBF网络在函数逼近领域内的比较研究[J];科技通报;2005年02期

9 贯士国,赵亚力,王绪涛;大型活塞式压缩机常见故障及处理措施[J];化工设计通讯;2003年04期

10 吴翠娟,陈莹,王致杰,李冬;现代大型设备故障智能诊断技术的现状与展望[J];电子工程师;2003年12期

中国硕士学位论文全文数据库 前5条

1 李建;多层径向基函数网络的算法改进及其应用[D];安徽工业大学;2014年

2 李冬;径向基函数算法在多学科优化中的应用研究及程序实现[D];中国工程物理研究院;2013年

3 张洪瑾;基于模糊神经网络的掘进机液压系统故障诊断研究[D];南京理工大学;2013年

4 梅杰;基于人工神经网络的旋转机械故障诊断专家系统[D];武汉理工大学;2011年

5 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

  本文关键词：基于神经网络的机械故障诊断技术的研究，由笔耕文化传播整理发布。

本文编号：393104