离心压缩机组振动智能诊断关键技术研究

发布时间：2020-09-23 12:04

【摘要】：论文主要对离心压缩机组振动故障自动监测与智能诊断方法进行了系统的研究,分别对信号特征自动提取、异常检测方法、诊断规则自动提取、智能诊断方法等方面进行了研究。在此基础上,建立了离心压缩机组智能诊断系统,并通过实际案例检验了所研究方法和诊断系统的有效性。 论文第二章研究了基于现代信号分析方法的信号特征自动提取方法,重点对振动信号特征提取中的轴心轨迹自动识别方法进行了研究,提出了基于图像处理方法和小波神经网络的轴心轨迹自动识别方法,同时利用Hilbert-Huang变换方法对弱振动信号特征提取方法进行了研究,取得了很好的效果。 论文第三章针对大型离心压缩机组故障类型和故障征兆之间不是一一对应的,存在着非线性映射特征。而现有的故障诊断方法中,难于满足大型离心压缩机组的动态故障诊断和对于故障的智能化诊断的需要问题,研究了基于神经网络的智能诊断方法。通过分析神经网络对离心压缩机组故障分类的有效性,为了提高故障诊断的有效性和准确性,提出了基于自组织神经网络的故障自动分类方法。通过对实际信号的分析,验证了方法的有效性。 论文第四章在离心压缩机组异常检测这个故障诊断的重要内容进行了研究,针对压缩机组振动信号异常状态的复杂性,提出了把改进型反面选择算法应用于压缩机组振动故障的检测,,建立了压缩机组振动异常状态检测器,实现了高效、快速的压缩机组振动异常检测,并通过实际案例进行了验证。 论文第五章针对压缩机组智能诊断中的信息冗余问题,提出了一种基于粗糙集的知识约简方法,通过对实际案例的应用,证明了该方法可以大幅度的简化诊断的知识结构,大大提高了诊断效率。 论文第六章综合前几章所研究的方法,建立了离心压缩机组振动智能诊断系统,并应用于现场压缩机组故障诊断中。该章主要研究了压缩机组智能诊断系统的结构框架设计,压缩机组智能诊断专家系统的实现等方面的问题,该章最后通过实际的诊断案例分析,证明了利用人工智能诊断方法是实现压缩机组智能诊断的有效途径。 本论文对离心压缩机组智能诊断技术进行了系统研究,对于各章所提出的方法,在每章最后均利用仿真和实际信号进行了验证,而在最后一章,更是通过多个现场实际案例对智能诊断系统进行了验证。
【学位授予单位】：大庆石油学院
【学位级别】：博士
【学位授予年份】：2005
【分类号】：TH452
【图文】：

2， ，T）为网络的输入，h(j,t)为第 t 个输入神经元到)()()(,)(ajtbjhjth = ），w(m,j)为隐层第 j 个神经元到输出层第m=1，2， ，M）为网络的输出。 的 期 望 输 出 ， 则 网 络 第 m 个 输 出 神 经 元 与 期 望 输t(m)。网络的训练分为 q 轮，每一轮对 n 个输入矢量进行训练，∑=Mmem12()21， 每 一 轮 的 总 误 差 ∑==niTEErrori1( )。 设t′则网络学习步长表示如下：)2()cos(1.75)exp(21 1teoutxttniTt′∑∑×′××′× = =图 2-1 小波神经网络Fig.2-1 Wavelet NN

=+++()sin()sin(211221122ωβωβytBtBt1A ，1α 和2A ，2α 分别为 x (t)的一倍频分量，2β 分别为 y (t)的一倍频分量和二倍频分量的2α ，1B ，1β ，2B ，2β 变化时，基本上可以，如图 2－4 至图 2－6 所示。利用所生成的轴样本进行分类。圆lipse图 2-Fig. 2-

一： 建立一个如图 2-8 的时间域信号 ，其中包括分段不同频率信号，通过如上叙述的波，可以很清楚的看出，Hilbert-Huang 变换很好的将原信号的不同时间段和不同频率、的表现出原信号各频率和时间的变化其中图 2-8 为原始时间信号，图 2-9 为 Huang 变换图2-8 原始信号Figure2-8 original signal图2-7 EMD 尺度分解结构Figure 2-7 EMD mode decomposion

【引证文献】

中国期刊全文数据库 前1条

1 黄敏;张芳;;振动故障诊断的Petri网模型及系统实现[J];计算机工程;2011年06期

中国博士学位论文全文数据库 前1条

1 王一飞;离心式冷水机组智能故障诊断系统的研究与开发[D];天津大学;2010年

中国硕士学位论文全文数据库 前1条

1 严若垒;机组群监测技术及其系统研究[D];湖南大学;2008年

本文编号：2825301