基于机器学习的地铁风机实时故障诊断系统研究
发布时间：2022-02-21 21:25
地铁轴流风机作为排烟、送风的专用工具,对乘客的生命安全、财产安全和保障地铁可以正常的运行来说具有极其重要的作用,其健康状态直接关乎地铁安全运营。基本处于全天候工作状态的地铁轴流风机,在位于地下密闭空间的地铁中运行时有很多安全隐患。若是风机在带故障的状态下工作,地铁环控系统运行出现问题会使整个系统运行出现瘫痪,严重会使车控室停机。保证这些风机设备的安全运行是维护地铁环控系统稳定的前提和基础,更关系到每一个市民的生命和财产的安全。随着各种前沿科学技术的发展,建立一个针对地铁轴流风机的及时快速的故障监控与诊断平台,可以有效降低上述安全隐患。但经过实地走访调研发现,国内大部分的风机企业对成套的风机故障诊断系统的研究尚处于实验室阶段或尚未应用于工程实际。因此,建立完善且能初步应用于工程实际中的风机状态监测与故障诊断系统十分有必要。本文针对DTF-3.55型地铁轴流风机,首次建立了该型号的风机实验装置,对该型号风机进行故障模拟实验并建立对应的故障库。进一步建立了合适的改进型机器学习方法,并以LabVIEW为软件平台,建立一套包括信号分析、信号特征提取、实时故障诊断和训练模式等功能的风机故障诊断系统...
【文章来源】：浙江工业大学浙江省
【文章页数】：87 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 课题背景与意义
1.2 国内外研究现状
1.2.1 风机故障诊断技术发展现状
1.2.2 机器学习故障诊断的发展现状
1.2.3 小波分析的发展趋势
1.3 工作内容与主要解决的问题
1.3.1 本文主要工作内容
1.3.2 本文主要解决问题
1.3.3 论文组织框架
第二章 针对风机故障的AdaBoost机器学习方法改进研究
2.1 AdaBoost算法原理
2.2 基于故障数据的基础分类器对比研究
2.2.1 常见基础分类器原理比较
2.2.2 基于案例的基础分类器对比分析
2.3 基于故障数据的AdaBoost多分类算法对比研究
2.3.1 多分类算法原理比较
2.3.2 多分类算法特征比较
2.3.3 基于案例的AdaBoost多分类算法分析
2.4 改进的AdaBoost机器学习方法建立及传统方法的对比验证
2.5 本章小结
第三章 DTF-3.55 型地铁轴流风机故障模拟实验装置的建立
3.1 流程与设计
3.2 实验装置的建立
3.2.1 地铁轴流风机与台架
3.2.2 风机电气与控制系统
3.2.3 振动传感器及其安装
3.2.4 数据采集设备
3.2.5 上位机
3.3 故障模拟实验
3.3.1 风机运行中常见故障
3.3.2 实验装置调试与试运行
3.3.3 正常运行
3.3.4 故障模拟实验之基座松动
3.3.5 故障模拟实验之转子不平衡
3.3.6 故障模拟实验之电机松动
3.4 本章小结
第四章 DTF-3.55 型地铁风机故障数据实验测量与处理分析
4.1 风机故障数据采集与预处理
4.1.1 正常运行数据
4.1.2 基座松动数据
4.1.3 转子不平衡数据
4.1.4 电机松动数据
4.1.5 信号去噪
4.2 风机振动信号处理技术
4.2.1 幅域分析方法
4.2.2 时域分析方法
4.2.3 频域分析方法
4.2.4 小波与小波包
4.3 数据处理结果与故障库的建立
4.4 本章小结
第五章 基于改进机器学习的DTF-3.55 型地铁风机实时故障监控平台开发
5.1 风机实时故障诊断系统的整体框架
5.2 系统主界面设计
5.3 振动信号采集与分析界面
5.3.1 时域分析
5.3.2 频域分析
5.4 故障实时监控
5.4.1 LabVIEW与 MATLAB混合编程
5.4.2 故障实时监控面板设计
5.5 训练模式
5.6 本章小结
第六章 结论与展望
6.1 结论
6.2 展望
参考文献
致谢
作者简介
1 作者简历
2 参与的科研项目及获奖情况
学位论文数据集
【参考文献】：
期刊论文
[1]基于机器学习的故障诊断研究现状与未来发展趋势[J]. 谢思翔. 通讯世界. 2019(04)
[2]基于AdaBoost.M2和神经模糊系统的植物识别算法[J]. 雷建椿,何金国. 计算机应用. 2018(04)
[3]基于ELM-AdaBoost.M2的污水处理过程在线故障诊断[J]. 谭承诚,于广平,邱志成. 计算机测量与控制. 2018(02)
[4]一种改进的BP-Adaboost算法及在雷达多目标分类上的应用[J]. 李蓓,张兴敢,方晖. 南京大学学报(自然科学). 2017(05)
[5]基于振动信号地铁轴流风机的故障诊断分析[J]. 王颖. 风机技术. 2017(S1)
[6]小波的发展及其在机械设备故障诊断中的应用[J]. 吴秀星,苏志宵,高立新. 设备管理与维修. 2016(09)
[7]多传感器融合在通风机故障诊断中的应用[J]. 李林琛,蒋小平. 激光杂志. 2016(04)
[8]傅里叶分析的发展与现状[J]. 曾海东,韩峰,刘瑶琳. 现代电子技术. 2014(03)
[9]提升小波包在滚动轴承故障特征提取中的应用[J]. 魏永合,申世英. 沈阳理工大学学报. 2013(05)
[10]基于小波包能量分析及改进支持向量机的风机机械故障诊断[J]. 许小刚,王松岭,刘锦廉. 动力工程学报. 2013(08)
博士论文
[1]基于行为特征的恶意程序动态分析与检测方法研究[D]. 曹莹.西安电子科技大学 2014
[2]基于支持向量机的故障智能诊断理论与方法研究[D]. 何学文.中南大学 2004
硕士论文
[1]基于Adaboost的铁路扣件完损性检测方法研究[D]. 张苗燕.兰州交通大学 2018
[2]基于第二代小波和多分类器融合的感应电机故障诊断[D]. 杨学良.东南大学 2015
[3]多视角人脸识别算法研究[D]. 钟诚.广东工业大学 2014
[4]基于多小波理论的风机故障诊断技术研究[D]. 贺鹏.天津理工大学 2013
[5]小波分析及其在风机故障诊断中的应用[D]. 唐炳剑.山东大学 2010
[6]地铁环控系统轴流风机故障诊断方法研究[D]. 尤丽静.天津理工大学 2010
[7]基于多小波包和人工神经网络的电力系统故障类型识别研究[D]. 李东敏.西南交通大学 2008
[8]Boosting算法及其应用[D]. 王笑坤.西北大学 2007
[9]基于小波的信号去噪方法研究[D]. 吴勇.武汉理工大学 2007
[10]基于粗糙集和神经网络的故障诊断方法研究[D]. 苏剑飞.中北大学 2007
本文编号：3638064
【文章来源】：浙江工业大学浙江省
【文章页数】：87 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 课题背景与意义
1.2 国内外研究现状
1.2.1 风机故障诊断技术发展现状
1.2.2 机器学习故障诊断的发展现状
1.2.3 小波分析的发展趋势
1.3 工作内容与主要解决的问题
1.3.1 本文主要工作内容
1.3.2 本文主要解决问题
1.3.3 论文组织框架
第二章 针对风机故障的AdaBoost机器学习方法改进研究
2.1 AdaBoost算法原理
2.2 基于故障数据的基础分类器对比研究
2.2.1 常见基础分类器原理比较
2.2.2 基于案例的基础分类器对比分析
2.3 基于故障数据的AdaBoost多分类算法对比研究
2.3.1 多分类算法原理比较
2.3.2 多分类算法特征比较
2.3.3 基于案例的AdaBoost多分类算法分析
2.4 改进的AdaBoost机器学习方法建立及传统方法的对比验证
2.5 本章小结
第三章 DTF-3.55 型地铁轴流风机故障模拟实验装置的建立
3.1 流程与设计
3.2 实验装置的建立
3.2.1 地铁轴流风机与台架
3.2.2 风机电气与控制系统
3.2.3 振动传感器及其安装
3.2.4 数据采集设备
3.2.5 上位机
3.3 故障模拟实验
3.3.1 风机运行中常见故障
3.3.2 实验装置调试与试运行
3.3.3 正常运行
3.3.4 故障模拟实验之基座松动
3.3.5 故障模拟实验之转子不平衡
3.3.6 故障模拟实验之电机松动
3.4 本章小结
第四章 DTF-3.55 型地铁风机故障数据实验测量与处理分析
4.1 风机故障数据采集与预处理
4.1.1 正常运行数据
4.1.2 基座松动数据
4.1.3 转子不平衡数据
4.1.4 电机松动数据
4.1.5 信号去噪
4.2 风机振动信号处理技术
4.2.1 幅域分析方法
4.2.2 时域分析方法
4.2.3 频域分析方法
4.2.4 小波与小波包
4.3 数据处理结果与故障库的建立
4.4 本章小结
第五章 基于改进机器学习的DTF-3.55 型地铁风机实时故障监控平台开发
5.1 风机实时故障诊断系统的整体框架
5.2 系统主界面设计
5.3 振动信号采集与分析界面
5.3.1 时域分析
5.3.2 频域分析
5.4 故障实时监控
5.4.1 LabVIEW与 MATLAB混合编程
5.4.2 故障实时监控面板设计
5.5 训练模式
5.6 本章小结
第六章 结论与展望
6.1 结论
6.2 展望
参考文献
致谢
作者简介
1 作者简历
2 参与的科研项目及获奖情况
学位论文数据集
【参考文献】：
期刊论文
[1]基于机器学习的故障诊断研究现状与未来发展趋势[J]. 谢思翔. 通讯世界. 2019(04)
[2]基于AdaBoost.M2和神经模糊系统的植物识别算法[J]. 雷建椿,何金国. 计算机应用. 2018(04)
[3]基于ELM-AdaBoost.M2的污水处理过程在线故障诊断[J]. 谭承诚,于广平,邱志成. 计算机测量与控制. 2018(02)
[4]一种改进的BP-Adaboost算法及在雷达多目标分类上的应用[J]. 李蓓,张兴敢,方晖. 南京大学学报(自然科学). 2017(05)
[5]基于振动信号地铁轴流风机的故障诊断分析[J]. 王颖. 风机技术. 2017(S1)
[6]小波的发展及其在机械设备故障诊断中的应用[J]. 吴秀星,苏志宵,高立新. 设备管理与维修. 2016(09)
[7]多传感器融合在通风机故障诊断中的应用[J]. 李林琛,蒋小平. 激光杂志. 2016(04)
[8]傅里叶分析的发展与现状[J]. 曾海东,韩峰,刘瑶琳. 现代电子技术. 2014(03)
[9]提升小波包在滚动轴承故障特征提取中的应用[J]. 魏永合,申世英. 沈阳理工大学学报. 2013(05)
[10]基于小波包能量分析及改进支持向量机的风机机械故障诊断[J]. 许小刚,王松岭,刘锦廉. 动力工程学报. 2013(08)
博士论文
[1]基于行为特征的恶意程序动态分析与检测方法研究[D]. 曹莹.西安电子科技大学 2014
[2]基于支持向量机的故障智能诊断理论与方法研究[D]. 何学文.中南大学 2004
硕士论文
[1]基于Adaboost的铁路扣件完损性检测方法研究[D]. 张苗燕.兰州交通大学 2018
[2]基于第二代小波和多分类器融合的感应电机故障诊断[D]. 杨学良.东南大学 2015
[3]多视角人脸识别算法研究[D]. 钟诚.广东工业大学 2014
[4]基于多小波理论的风机故障诊断技术研究[D]. 贺鹏.天津理工大学 2013
[5]小波分析及其在风机故障诊断中的应用[D]. 唐炳剑.山东大学 2010
[6]地铁环控系统轴流风机故障诊断方法研究[D]. 尤丽静.天津理工大学 2010
[7]基于多小波包和人工神经网络的电力系统故障类型识别研究[D]. 李东敏.西南交通大学 2008
[8]Boosting算法及其应用[D]. 王笑坤.西北大学 2007
[9]基于小波的信号去噪方法研究[D]. 吴勇.武汉理工大学 2007
[10]基于粗糙集和神经网络的故障诊断方法研究[D]. 苏剑飞.中北大学 2007
本文编号：3638064
本文链接：https://www.wllwen.com/kejilunwen/daoluqiaoliang/3638064.html
