振动筛故障特征提取及监测系统的开发

发布时间：2018-06-06 17:17

  本文选题：振动筛故障 + 小波变换　； 参考：《华侨大学》2017年硕士论文

【摘要】：振动筛是石矿加工行业的关键设备之一,常用于物料筛分和清洗,发生故障,将导致整条生产线停工,经济损失巨大。因此研究振动筛故障诊断方法及研制相应的振动筛故障监测系统,对预防振动筛故障具有重要的学术价值和实际工程意义。结合振动筛实际使用情况,其常见故障有大梁断裂、弹簧断裂、侧板开裂、螺栓断裂和筛网磨损等,根据这些故障类型,搭建振动筛故障实验平台,提取振动筛故障的振动加速度信号。采用时域分析和小波变换技术,提取d1层小波系数能量、d2层小波系数能量、d3层小波系数能量、a3层小波系数能量、偏态因素、峰态因素、裕度指标和峰值指标这八个特征量构建振动筛故障特征向量。分别采用BP神经网络、支持向量机、基于主成分分析的支持向量机这3种方法研究振动筛的故障识别方法。研究结果表明,BP神经网络算法的识别率只有86%且运算耗时为10.12s,而支持向量机算法的识别率最高,达99.82%,运算时间仅为8.63 s。为了保证算法在DSP系统里具有较好的移植性,采用主成分分析提取累计贡献率为94.9%的前两主元,分析各特征量在这两个主元中的贡献率,选取贡献率最大的两个特征量用于支持向量机的故障识别,从而降低了信息冗余,基于主成分分析的支持向量机算法具有运算速度最快,为6.21 s,故障识别率高达91.85%,能实现振动筛故障监测系统的程序移植。根据振动筛故障特征量的分析和故障识别算法的研究,设计振动筛故障监测系统的硬件部分。其中,以低通滤波器为核心,设计了能提取振动筛故障特征频段信号的调理模块;为了实现12路信号同步高速采集,设计了基于AD7606芯片的信号采集模块;搭建以DSP芯片为处理器的微控制器模块,实现大量数据的快速运算和故障识别算法的运行。软件部分权衡了可行性和实时性,对故障识别算法进行简化,设定两个特征量的故障阈值,以此判断振动筛故障。最终完成振动筛故障监测系统样机制作并进行测试实验,实验了振动筛激振力不平衡、弹簧刚度变化和弹簧高度变化三类故障类型。结果表明,故障识别率达80%,对企业预防振动筛故障具有实际应用价值。
[Abstract]:Vibrating screen is one of the key equipments in the quarry processing industry. It is often used for material screening and cleaning, which will lead to the shutdown of the whole production line and great economic losses. Therefore, it is of great academic value and practical engineering significance to study the fault diagnosis method of vibrating screen and to develop the corresponding fault monitoring system for vibrating screen. Combined with the actual application of vibrating screen, the common faults are beam break, spring break, side plate crack, bolt fracture and screen wear, etc. According to these fault types, the fault test platform of vibrating screen is built. The vibration acceleration signal of vibration screen fault is extracted. Time domain analysis and wavelet transform technique are used to extract the energy of the wavelet coefficients in layer D1 and the energy of wavelet coefficients in layer D2. The energy of wavelet coefficients in layer D 3 is the energy of wavelet coefficients in layer a 3, the skewness factor and the factor of peak state. The eight eigenvalues of margin index and peak value index are used to construct the fault feature vector of vibrating screen. BP neural network, support vector machine (SVM) and support vector machine (SVM) based on principal component analysis (PCA) are used to study the fault identification method of vibrating screen. The results show that the recognition rate of BP neural network algorithm is only 86% and the computation time is 10.12 s, while the support vector machine algorithm has the highest recognition rate of 99.82 and the operation time is only 8.63 s. In order to ensure that the algorithm has good transplantability in DSP system, the first two principal components with cumulative contribution rate of 94.9% are extracted by principal component analysis, and the contribution rate of each characteristic quantity in these two principal components is analyzed. Two characteristic variables with the largest contribution rate are selected for fault identification of support vector machines, thus reducing information redundancy. The support vector machine algorithm based on principal component analysis has the fastest operation speed. The fault identification rate is as high as 91.85 for 6.21 s, which can realize the program transplantation of the vibrating screen fault monitoring system. According to the analysis of vibration screen fault characteristic quantity and the research of fault identification algorithm, the hardware part of vibration screen fault monitoring system is designed. In order to realize the high-speed and synchronous acquisition of 12 signals, a signal acquisition module based on AD7606 chip is designed. A microcontroller module based on DSP chip is built to realize the fast operation of a large number of data and the running of fault identification algorithm. In the software part, the fault identification algorithm is simplified and the fault threshold of two characteristic quantities is set to judge the fault of vibrating screen. Finally, the prototype of the vibration screen fault monitoring system is made and tested. Three types of fault types are tested, such as the unbalanced exciting force, the change of spring stiffness and the change of spring height. The results show that the rate of fault identification is 80%, which has practical application value for preventing vibration screen faults in enterprises.
【学位授予单位】：华侨大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TD452;TP274

【相似文献】

中国期刊全文数据库 前10条

1 郭海山;冯萍;林奕;;基于先锋光纤通道交换网的故障监测与诊断的研究与设计[J];计算机测量与控制;2008年09期

2 张淑清,王力,李昕;小波分析在故障监测及诊断中的应用[J];传感技术学报;2001年01期

3 谢(王争);潘莉;;大型自动化控制系统的故障监测[J];电气传动;1996年05期

4 张林，，黄战;智能化故障监测与诊断方法[J];深圳大学学报;1995年Z1期

5 王慧燕,诸静,孙希航;基于小波和矩的边缘特征提取及其在故障监测中的应用[J];信息与控制;2003年03期

6 王永;梁伟光;韩飞;周建亮;;基于证据理论的振动发散故障监测方法[J];振动.测试与诊断;2011年04期

7 逄玉俊;王玉武;;在线故障监测专家系统结构研究[J];自动化与仪表;1992年03期

8 陈珂,殷国富,田大庆;基于网络技术的凹印机远程故障监测系统[J];计算机工程;2004年06期

9 朱名铨,姬中岳;故障监测系统的性能评价[J];振动、测试与诊断;1992年03期

10 吴永桥,余小华,黎明发;电梯故障监测保护器的研制[J];武汉理工大学学报(信息与管理工程版);2001年01期

中国重要会议论文全文数据库 前5条

1 陈斌;刘亚杰;;电子设备分布式远程智能故障监测系统[A];舰船电子装备维修理论与应用——中国造船工程学会电子修理学组第四届年会暨信息装备保障研讨会论文集[C];2005年

2 王树德;孙万华;;反应堆控制保护装置中的故障监测模块[A];第8届全国核电子学与核探测技术学术年会论文集（二）[C];1996年

3 武兵;张宏;熊诗波;林健;;PCA方法在Multi-Agent智能故障监测系统中的应用[A];2007年中国智能自动化会议论文集[C];2007年

4 孙垎;李永刚;李海波;;基于VB的OPC技术在电机故障监测中的应用[A];2006北京地区高校研究生学术交流会——通信与信息技术会议论文集（上）[C];2006年

5 叶晓明;;设备故障监测与诊断技术在炼油厂烟气发电机组中的应用[A];设备监测与诊断技术及其应用——第十二届全国设备监测与诊断学术会议论文集[C];2005年

中国博士学位论文全文数据库 前2条

1 赵彤;复杂信号相关法实现光纤接入网高精度故障监测[D];太原理工大学;2016年

2 刘小平;提升机故障智能诊断理论及应用[D];中国矿业大学;2013年

中国硕士学位论文全文数据库 前10条

1 沈才良;光伏电站故障监测系统的设计与实现[D];哈尔滨工业大学;2015年

2 王尚博;励磁功率柜的故障监测与诊断技术研究[D];河北工业大学;2015年

3 高显扬;故障监测与诊断技术在SCADA系统中的研究与应用[D];山东大学;2016年

4 张海利;基于MSPCA-KECA的工业过程故障监测与诊断算法研究[D];内蒙古工业大学;2016年

5 胡永兵;发酵过程子阶段自回归主元分析故障监测[D];北京工业大学;2016年

6 陈思;联合收割机远程视频监视及故障监测系统的研究[D];江苏大学;2016年

7 李健;基于嵌入式的工业无线远程故障监测系统的应用与研究[D];大连交通大学;2014年

8 陈修哲;面向发酵过程故障监测和质量预报的研究与应用[D];北京工业大学;2011年

9 刘宇航;基于主成分分析的故障监测方法及其应用研究[D];华东理工大学;2012年

10 张翔;分布式集群监控平台的故障监测和管理[D];北京邮电大学;2015年

本文编号：1987502