离心压缩机智能故障诊断方法研究
发布时间：2020-12-20 22:01
近年来,机械设备故障诊断技术在国内外得到了较大的发展,在国民生产中起到了重大的作用。离心压缩机作为机械设备领域的一部分,由于其结构复杂,激励源多,对其实施故障诊断比较困难,尽管人们已对其开展了不少研究并取得了一些研究成果,但总的诊断水平还不是很高,这与其在生产中的应用现状是极不相符。本文在吸取前人研究成果的基础上,结合实际,并根据离心压缩机转子信号的非平稳特性,引入了智能诊断方法,对离心压缩机转子系统较好地的进行了故障诊断。本文根据离心压缩机信号具有随机信号、周期信号、冲击信号等混杂在一起的特点,以及信号特征难以提取等问题,研究了离心压缩机转子系统振动信号的特征提取方法。通过小波变换技术对时域和频域同时具有良好的局部化性质,可以聚焦到信号的任意细节,对突变信号和非平稳信号具有很强的识别能力,利用小波包变换对离心压缩机转子典型故障的振动信号进行特征提取,并以“能量”为元素,构造离心压缩机故障信号的特征向量,以便神经网络识别。本文还研究了基于BP神经网络的离心压缩机故障诊断方法。人工神经网络由于具有处理非线性和自学习以及并行计算能力,且具有在线诊断能力,强大的函数逼近能力和模式识别能力,在...
【文章来源】：东北石油大学黑龙江省
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
－1小波包分解树形图
图 3-4 两种信号 db3 小波包分解后的灰度图Fig.3-4 Grey Image of Two Signal Decomposed by db3 Wavelet Packet灰度图上的灰度颜色越深表示系数的值越大。从第一幅图上可以看出在三段时间内有三个频率，而且成倍频递增，第二幅图上有三个频带，表示有三个频率成分，因为整个时间段上混叠在一起，所以是三条频带。从图上看出小波包可以进行很好的时频分析。第二种：对信号中夹带微小信号成分进行分析。在 10Hz 和 80Hz 叠加的两个信号中在350～380 时间段夹带一个 160Hz 的微小信号时域图和直接对信号做功率谱如图 3-5 所示。0 100 200 300 400 500 600 700 800 900 1000-8-6-4-2024680 50 100 150 200 2500500100015002000250030003500400045005000功率谱密度功率信号功率谱图 3-5 信号的时域图和功率谱Fig.3-5 Time Domain Wave and Power Spectrum of Signal
整权值来尽可能调整网络特性，但是这种方法不是是当有一个没有学习过的样本出现时，网络将失去统的拟合能力不强。法实际上是一种变结构的 RBF 网络。所谓“变结构入样本为当前的 RBF 网络分配新的隐单元，也就是拓扑结构。同时，在修正权值过程中，再进一步校选取原则和有效的权值训练算法可以使它兼有实BF 网络的研究方向之一。 神经网络的仿真对比研究来对比研究 RBF 与 BP 的特性。频率突变的正弦时变信号 y(t)来作为目标样本（采 <≤≤≤=sin(*6*)46sin(*3*)04()tpittpity t
【参考文献】：
期刊论文
[1]离心压缩机故障诊断研究现状及发展趋势[J]. 丁克北. 炼油与化工. 2005(02)
[2]基于小波分析的制冷压缩机故障诊断研究[J]. 王志毅,谷波,郑钢. 压缩机技术. 2003(02)
[3]小波变换对突变信号峰值奇异点的精确检测[J]. 朱洪俊,秦树人,彭丽玲. 机械工程学报. 2002(12)
[4]基于小波包与神经网络的往复压缩机故障诊断方法[J]. 刘树林,张嘉钟,徐敏强,黄文虎. 石油矿场机械. 2002(05)
[5]基于Hermitian小波的信号奇异性识别[J]. 何正嘉,訾艳阳. 工程数学学报. 2001(S1)
[6]柴油机气阀间隙异常的诊断[J]. 商斌梁,黄小念,夏勇,张振仁. 机械. 2001(S1)
[7]机械故障信号小波包分解的时域特征提取方法研究[J]. 杨国安,钟秉林,黄仁,贾民平,许云飞. 振动与冲击. 2001(02)
[8]高阶循环统计量理论在机械故障诊断中的应用[J]. 陈进,姜鸣. 振动工程学报. 2001(02)
[9]滚动轴承故障特征的小波提取方法[J]. 傅勤毅,章易程,应力军,李国顺. 机械工程学报. 2001(02)
[10]基于连续小波变换的信号检测技术与故障诊断[J]. 林京,屈梁生. 机械工程学报. 2000(12)
博士论文
[1]集成智能故障诊断策略及其应用研究[D]. 武和雷.浙江大学 2003
硕士论文
[1]基于径向基函数（RBF）神经网络的路段行程时间预测研究[D]. 朱耿先.重庆大学 2004
[2]机械设备故障智能诊断系统研究[D]. 李小彭.沈阳工业大学 2003
本文编号：2928625
【文章来源】：东北石油大学黑龙江省
【文章页数】：54 页
【学位级别】：硕士
【部分图文】：
－1小波包分解树形图
图 3-4 两种信号 db3 小波包分解后的灰度图Fig.3-4 Grey Image of Two Signal Decomposed by db3 Wavelet Packet灰度图上的灰度颜色越深表示系数的值越大。从第一幅图上可以看出在三段时间内有三个频率，而且成倍频递增，第二幅图上有三个频带，表示有三个频率成分，因为整个时间段上混叠在一起，所以是三条频带。从图上看出小波包可以进行很好的时频分析。第二种：对信号中夹带微小信号成分进行分析。在 10Hz 和 80Hz 叠加的两个信号中在350～380 时间段夹带一个 160Hz 的微小信号时域图和直接对信号做功率谱如图 3-5 所示。0 100 200 300 400 500 600 700 800 900 1000-8-6-4-2024680 50 100 150 200 2500500100015002000250030003500400045005000功率谱密度功率信号功率谱图 3-5 信号的时域图和功率谱Fig.3-5 Time Domain Wave and Power Spectrum of Signal
整权值来尽可能调整网络特性，但是这种方法不是是当有一个没有学习过的样本出现时，网络将失去统的拟合能力不强。法实际上是一种变结构的 RBF 网络。所谓“变结构入样本为当前的 RBF 网络分配新的隐单元，也就是拓扑结构。同时，在修正权值过程中，再进一步校选取原则和有效的权值训练算法可以使它兼有实BF 网络的研究方向之一。 神经网络的仿真对比研究来对比研究 RBF 与 BP 的特性。频率突变的正弦时变信号 y(t)来作为目标样本（采 <≤≤≤=sin(*6*)46sin(*3*)04()tpittpity t
【参考文献】：
期刊论文
[1]离心压缩机故障诊断研究现状及发展趋势[J]. 丁克北. 炼油与化工. 2005(02)
[2]基于小波分析的制冷压缩机故障诊断研究[J]. 王志毅,谷波,郑钢. 压缩机技术. 2003(02)
[3]小波变换对突变信号峰值奇异点的精确检测[J]. 朱洪俊,秦树人,彭丽玲. 机械工程学报. 2002(12)
[4]基于小波包与神经网络的往复压缩机故障诊断方法[J]. 刘树林,张嘉钟,徐敏强,黄文虎. 石油矿场机械. 2002(05)
[5]基于Hermitian小波的信号奇异性识别[J]. 何正嘉,訾艳阳. 工程数学学报. 2001(S1)
[6]柴油机气阀间隙异常的诊断[J]. 商斌梁,黄小念,夏勇,张振仁. 机械. 2001(S1)
[7]机械故障信号小波包分解的时域特征提取方法研究[J]. 杨国安,钟秉林,黄仁,贾民平,许云飞. 振动与冲击. 2001(02)
[8]高阶循环统计量理论在机械故障诊断中的应用[J]. 陈进,姜鸣. 振动工程学报. 2001(02)
[9]滚动轴承故障特征的小波提取方法[J]. 傅勤毅,章易程,应力军,李国顺. 机械工程学报. 2001(02)
[10]基于连续小波变换的信号检测技术与故障诊断[J]. 林京,屈梁生. 机械工程学报. 2000(12)
博士论文
[1]集成智能故障诊断策略及其应用研究[D]. 武和雷.浙江大学 2003
硕士论文
[1]基于径向基函数（RBF）神经网络的路段行程时间预测研究[D]. 朱耿先.重庆大学 2004
[2]机械设备故障智能诊断系统研究[D]. 李小彭.沈阳工业大学 2003
本文编号：2928625
本文链接：https://www.wllwen.com/kejilunwen/jixiegongcheng/2928625.html
