当前位置:主页 > 科技论文 > 机械论文 >

智能故障诊断技术在中频冶炼中的应用

发布时间:2019-02-12 18:04
【摘要】:中频冶炼技术近年来作为一门新兴技术,在淬火、熔炼、透热工业领域中得到广泛运用。随着现代集成化感应加热技术日益趋于成熟,中频冶炼自动化水平的不断提高,中频冶炼系统的可靠、稳定、安全运行也越来越重要。 本文主要是通过对中频冶炼系统主电路电压信号进行监测从而实现对变频器短路故障进行智能故障诊断的研究。发生短路故障的变频器电压信号是非平稳随机信号,以往的傅里叶变换难以满足故障特征向量提取要求,并且建立变频器故障数学模型比较复杂,基于以上原因本文提出了基于小波包变换和PSO神经网络的中频冶炼故障诊断方法,通过小波包提取故障特征向量,利用PSO神经网络进行故障识别,并输出系统相应故障类型。 该故障诊断方法首先是通过利用MATLAB软件对中频冶炼主电路进行建模、仿真,模拟了主电路中晶闸管开路故障,获得了相应的故障波形。其次,当一个系统或电路发生故障时,测试点测得的电压或电流与正常情况下相同频带内能量值是不一样的,根据能量守恒定律,某一频带能量低,另一频带能量值可能就高,信号每个频带的能量值是体现故障状态一个有效信息。本文使用的小波包算法就是对信号进行系数分解,得到一组能量形式的故障特征向量;最后,本文主要对变频器三大类短路故障状态进行测试:无故障,一只晶闸管短路故障、两只晶闸管短路故障,设计了相应的故障信号采集系统和试验方案,利用已经得到的特征向量和三大类故障状态设计并训练PSO神经网络。通过MATLAB平台实现相应的算法。 本文主要是通过仿真实验验证相应故障诊断算法的准确性和有效性。通过仿真模拟故障信号,再对信号分别进行采集和测试,使用小波包算法对故障信号进行特征提取得到故障特征向量;利用已知故障类型的样本对PSO神经网络进行训练,然后用测试信号对训练好的神经网络进行测试。试验结果显示输出故障类型与实际测试信号所对应的故障状态一致。结果证明了基于小波包变换和PSO神经网络智能故障诊断方法对中频冶炼这样随机性和模糊性很强的系统切实可行,收敛速度快准确度高,减少了企业的经济损失,具有很大的运用价值。
[Abstract]:As a new technology in recent years, intermediate frequency smelting technology has been widely used in quenching, smelting and heat permeation industry. With the development of modern integrated induction heating technology and the improvement of intermediate frequency smelting automation, the reliability, stability and safety of intermediate frequency smelting system are becoming more and more important. In this paper, the main circuit voltage signal of intermediate frequency smelting system is monitored to realize the intelligent fault diagnosis of inverter short circuit fault. The frequency converter voltage signal with short-circuit fault is non-stationary random signal, the former Fourier transform is difficult to meet the requirement of fault eigenvector extraction, and the mathematical model of frequency converter fault is more complex. Based on the above reasons, a fault diagnosis method for intermediate frequency smelting based on wavelet packet transform and PSO neural network is proposed in this paper. The fault feature vector is extracted by wavelet packet, the fault is identified by PSO neural network, and the corresponding fault types of the system are outputted. The method of fault diagnosis is to use MATLAB software to model and simulate the thyristor open circuit in the main circuit and obtain the corresponding fault waveform. Secondly, when a system or circuit fails, the voltage or current measured at the test point is different from the normal energy value in the same frequency band. According to the law of conservation of energy, the energy of one frequency band is low, and the energy value of another frequency band may be high. The energy value of each frequency band of the signal is an effective information to reflect the fault state. The wavelet packet algorithm used in this paper is to decompose the coefficients of the signal and obtain a set of fault eigenvector in the form of energy. Finally, this paper mainly tests three kinds of short circuit fault states of frequency converter: no fault, one thyristor short circuit fault, two thyristor short circuit fault, designed the corresponding fault signal collection system and the test scheme. The PSO neural network is designed and trained by using the obtained eigenvector and three kinds of fault states. The algorithm is implemented by MATLAB platform. In this paper, the accuracy and effectiveness of the corresponding fault diagnosis algorithm are verified by simulation experiments. Through simulating the fault signal, the signal is collected and tested, and the fault feature vector is obtained by using wavelet packet algorithm to extract the fault signal. The PSO neural network is trained with the samples of known fault types, and the trained neural networks are tested with test signals. The test results show that the output fault type is consistent with the corresponding fault state of the actual test signal. The results show that the intelligent fault diagnosis method based on wavelet packet transform and PSO neural network is feasible for the system with strong randomness and fuzziness, and the convergence speed is fast and the accuracy is high, and the economic loss of the enterprise is reduced. It has great application value.
【学位授予单位】:河北科技大学
【学位级别】:硕士
【学位授予年份】:2011
【分类号】:TH165.3

【相似文献】

相关期刊论文 前10条

1 佟铮;张友鹏;;基于BP神经网络的机车轮对故障诊断系统研究[J];铁路技术创新;2009年01期

2 黄莲花;李光明;;神经网络数据融合在车用传感器中的应用[J];装备制造技术;2011年08期

3 景利学;苏宏升;谢明军;冉鹏程;;电压型BUCK变换器控制策略研究[J];电气传动自动化;2011年04期

4 姜平;黄志鹏;;基于神经网络的公交客流预测[J];交通标准化;2008年13期

5 尹骏晖;李伶;杜青;;基于神经网络和柔度曲率的简支梁损伤识别[J];山西建筑;2011年21期

6 孙海龙;冯超;匙瑞堂;;滚动轴承状态监测[J];工业设计;2011年05期

7 杨鹤年;;机电一体化系统中的智能控制技术[J];煤炭技术;2011年07期

8 许杰;程锦房;何光进;;一种基于舰船磁场的神经网络识别模型[J];船电技术;2011年09期

9 蒯松岩;吴涛;代尚方;张旭隆;;基于RBF的无位置开关磁阻电机控制系统[J];电力电子技术;2011年07期

10 张赫;王炜;刘莹莹;;神经网络在交通流信息融合中的应用[J];武汉理工大学学报(交通科学与工程版);2011年04期

相关会议论文 前10条

1 曹波伟;薛青;牛金涛;龚长虹;刘磊;;基于神经网络和专家系统的装备智能故障诊断的研究[A];中国自动化学会控制理论专业委员会C卷[C];2011年

2 侯艳芳;冯红梅;;基于神经网络的调制识别算法的研究[A];武汉(南方九省)电工理论学会第22届学术年会、河南省电工技术学会年会论文集[C];2010年

3 沈建荣;杨林泉;陈琳;;神经网络的稳定性判据与区域经济结构调整[A];系统工程与可持续发展战略——中国系统工程学会第十届年会论文集[C];1998年

4 石山铭;李富兰;丁俊丽;;神经网络的知识获取[A];全国青年管理科学与系统科学论文集(第1卷)[C];1991年

5 吴清烈;徐南荣;;基于神经网络的一种多目标决策方法[A];复杂巨系统理论·方法·应用——中国系统工程学会第八届学术年会论文集[C];1994年

6 李晓钟;汪培庄;罗承忠;;神经网络与模糊逻辑[A];中国系统工程学会模糊数学与模糊系统委员会第五届年会论文选集[C];1990年

7 房育栋;余英林;;高阶自组织映射及其学习算法[A];1995年中国控制会议论文集(上)[C];1995年

8 王晓晔;杜朝辉;吕德忠;刘建峰;;神经网络模糊控制在温度控制系统中的应用[A];1997中国控制与决策学术年会论文集[C];1997年

9 金龙;吴建生;;基于遗传算法的神经网络短期气候预测模型(摘要)[A];新世纪气象科技创新与大气科学发展——中国气象学会2003年年会“气候系统与气候变化”分会论文集[C];2003年

10 申伟;张元培;;基于MATLAB的自适应神经网络模糊系统(ANFIS)的应用[A];《制造业自动化与网络化制造》学术交流会论文集[C];2004年

相关重要报纸文章 前10条

1 记者 陈青 通讯员 孙国根;揭示神经网络形成新机制[N];文汇报;2011年

2 于翔;数字神经网络中的协同应用[N];网络世界;2009年

3 健康时报特约记者  张献怀;干细胞移植:修复受损的神经网络[N];健康时报;2006年

4 邹丽梅 陈耀群;江苏科大神经网络应用研究通过鉴定[N];中国船舶报;2006年

5 记者 孙刚;“神经网络”:打开复杂工艺“黑箱”[N];解放日报;2007年

6 本报首席记者 任荃 实习生 史博臻;轨交“神经网络”触动创新神经[N];文汇报;2011年

7 计算机世界实验室 韩勖;当布线系统遭遇神经网络[N];计算机世界;2009年

8 曹建兵 李祖兵 特约记者 何天进 本报记者 于莘明;给导弹植入“神经网络”[N];科技日报;2005年

9 谭薇;“潮湿计算机”:拥有人类智慧的超级大脑[N];第一财经日报;2010年

10 韩婷婷;ICT强壮奥运“神经网络”[N];通信产业报;2007年

相关博士学位论文 前10条

1 刘志祥;深部开采高阶段尾砂充填体力学与非线性优化设计[D];中南大学;2005年

2 戴雪龙;PET探测器神经网络定位方法研究[D];中国科学技术大学;2006年

3 马戎;智能控制技术在炼钢电弧炉中的应用研究[D];西北工业大学;2006年

4 文敦伟;面向多智能体和神经网络的智能控制研究[D];中南大学;2001年

5 吴大宏;基于遗传算法与神经网络的桥梁结构健康监测系统研究[D];西南交通大学;2003年

6 杜文斌;基于神经网络的冠心病证候诊断标准与药效评价模型研究[D];辽宁中医学院;2004年

7 熊雪梅;参数化模糊遗传神经网络及在植物病害预测的应用[D];南京农业大学;2004年

8 李智;电站锅炉燃烧系统优化运行与应用研究[D];东北大学;2005年

9 王承;基于神经网络的模拟电路故障诊断方法研究[D];电子科技大学;2005年

10 谭阳红;基于小波和神经网络的大规模模拟电路故障诊断研究[D];湖南大学;2005年

相关硕士学位论文 前10条

1 姜宇;发动机裂解设备故障诊断技术的研究[D];吉林大学;2012年

2 郑红岩;基于非高斯性分析的BP神经网络模拟电路故障诊断研究[D];解放军信息工程大学;2011年

3 杨立儒;基于神经网络的电路故障诊断的研究与实现[D];解放军信息工程大学;2010年

4 刘兰兰;基于神经网络和遗传算法的H型钢粗轧工艺参数优化研究[D];山东大学;2011年

5 田鹏明;基于神经网络的振动主动控制研究[D];太原理工大学;2012年

6 邢远凯;基于决策树和遗传算法的神经网络研究及应用[D];浙江大学;2010年

7 高宝建;基于神经网络的月降水预报模型在洪泽湖的应用研究[D];南京信息工程大学;2012年

8 陈少华;基于Hopfield神经网络控制系统的研究[D];山东科技大学;2010年

9 来建波;基于神经网络的路段行程时间预测研究[D];云南大学;2011年

10 闫超;基于BP神经网络的煤矿深埋硐室软岩流变参数反演分析[D];安徽理工大学;2011年



本文编号:2420654

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/jixiegongcheng/2420654.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户0e65b***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com