基于小波分析的风机故障诊断方法研究

发布时间：2017-09-28 18:15

  本文关键词：基于小波分析的风机故障诊断方法研究

  更多相关文章： 故障诊断 小波分析 Hilbert变换 BP神经网络

【摘要】：风机被广泛的应用于工业生产过程中，主要负责通风、引风、排尘以及冷却，其运行状态直接关系着整个生产系统是否能够安全稳定的运行。为了避免事故的发生和经济的损失，对风机开展状态监测与故障诊断具有极其重要的意义。风机运行过程中，其振动信号中包含着丰富的设备运行状态信息，通过采集风机的振动信号进行处理并分析，可以完成对风机状态的识别。本文以风机振动信号为分析对象，应用小波分析、Hilbert变换以及BP神经网络技术实现了风机故障诊断。 工业现场采集的振动信号中常常包含大量的噪声，具有较低的信噪比，本文采用小波阈值降噪法对风机振动信号进行降噪，提高了故障信号的信噪比，有利于故障特征的进一步提取。小波分析是一种有效的信号分析方法，被广泛的应用于各个领域，小波分析具有自适应性的时频特性，很适合处理风机的故障信号。针对风机振动信号的特点，本文应用两种方法完成风机的故障识别。首先，本文提出了小波变换与Hilbert变换相结合的小波包络分析，将降噪后的振动信号进行小波分解与重构，对重构后的细节信号进行Hilbert变换，得到故障信号的包络谱，通过观察包络谱的故障特征频率完成了风机的故障诊断。其次，本文提出了小波包与BP神经网络相结合的松散型小波神经网络方法。小波包是在小波的基础上发展起来的分析方法，在保留了小波优良时频特性的同时，提供了比小波更精细的分解信号的能力。将风机的振动信号进行小波包分解与重构，提取各频段的能量，将归一化后的各频段能量作为输入数据对BP神经网络进行训练和测试，，完成风机故障的智能识别。 本论文利用MATLAB软件对故障信号进行了仿真实验，实现了两种方法在风机故障诊断中的应用。实验结果表明，本文提出的两种方法对风机进行故障诊断是有效的，具有一定的应用价值。
【关键词】：故障诊断 小波分析 Hilbert变换 BP神经网络
【学位授予单位】：辽宁科技大学
【学位级别】：硕士
【学位授予年份】：2014
【分类号】：TH165.3
【目录】：

• 摘要5-6
• ABSTRACT6-9
• 1. 绪论9-19
• 1.1 课题研究的背景和意义9
• 1.2 机械故障诊断技术的国内外发展现状9-11
• 1.2.1 国外机械故障诊断技术发展现状10
• 1.2.2 国内机械故障诊断技术发展现状10-11
• 1.3 基于振动信号分析的故障诊断方法11-16
• 1.3.1 信号的时域分析11-12
• 1.3.2 信号的频域分析12-13
• 1.3.3 信号的时频分析13-14
• 1.3.4 信号的智能诊断方法14-16
• 1.4 风机的故障类型16-17
• 1.5 论文的章节安排17-19
• 2. 风机振动监测系统建立19-28
• 2.1 风机振动监测系统结构19-24
• 2.2 风机振动信号的频谱分析24-27
• 2.2.1 频谱分析的理论概述24-26
• 2.2.2 频谱分析仿真26-27
• 2.3 本章小结27-28
• 3. 基于小波阈值降噪的风机振动信号预处理28-41
• 3.1 小波分析基本理论概述28-34
• 3.1.1 小波变换28-29
• 3.1.2 常用的小波函数29-30
• 3.1.3 多分辨率分析和 Mallat 算法30-32
• 3.1.4 小波包理论32-34
• 3.2 小波阈值降噪34-38
• 3.2.1 阈值降噪原理34
• 3.2.2 阈值量化34-38
• 3.3 风机振动信号的降噪处理38-40
• 3.4 本章小结40-41
• 4. 基于小波变换和 Hilbert 变换的包络分析方法研究41-48
• 4.1 Hilbert 变换理论41-42
• 4.2 基于 Hilbert 变换的小波包络分析在风机故障诊断中的应用42-47
• 4.2.1 小波包络分析的流程42-43
• 4.2.2 小波基函数的选取43
• 4.2.3 风机振动信号的小波包络分析43-47
• 4.3 本章小结47-48
• 5. 基于小波包和 BP 神经网络的风机故障诊断48-76
• 5.1 人工神经网络48-52
• 5.1.1 人工神经元模型48-50
• 5.1.2 人工神经网络的特点50
• 5.1.3 人工神经网络的结构50-51
• 5.1.4 人工神经网络的学习51-52
• 5.2 BP 神经网络52-57
• 5.2.1 BP 神经网络结构52-53
• 5.2.2 BP 神经网络学习算法53-56
• 5.2.3 BP 神经网络的不足及改进56-57
• 5.3 小波神经网络在风机故障诊断中的应用57-75
• 5.3.1 小波神经网络概述57-58
• 5.3.2 基于小波包的特征提取方法58-59
• 5.3.3 风机振动信号的特征向量提取59-69
• 5.3.4 BP 神经网络模型的设计69-71
• 5.3.5 BP 神经网络仿真实验71-75
• 5.4 本章小结75-76
• 6. 结论与展望76-78
• 参考文献78-80
• 攻读硕士学位期间发表学术论文情况80-81
• 致谢81-82
• 作者简介82-83

【参考文献】

中国期刊全文数据库 前7条

1 郝文广;丁常富;梁娜;;小波降噪与FFT降噪比较[J];电力科学与工程;2011年03期

2 程道来,吴茜,吕庭彦,陈栋;国内电站故障诊断系统的现状及发展方向[J];动力工程;1999年01期

3 陈光;任志良;张涛;;基于Hilbert变换的包络解调法在鱼雷电磁引信中的应用[J];海军工程大学学报;2009年04期

4 赵明元,朱衡君;机车轴承故障诊断与预测系统[J];机车电传动;2005年05期

5 耿小庆;和金生;于宝琴;;几种改进BP算法及其在应用中的比较分析[J];计算机工程与应用;2007年33期

6 贺小辉;石嵘;;基于BP神经网络的故障诊断技术研究[J];计算机与现代化;2009年07期

7 张军;陆森林;和卫星;王以顺;李天博;;基于小波包能量法的滚动轴承故障诊断[J];农业机械学报;2007年10期

本文编号：937340