压缩机运行状态监测系统研究
发布时间：2020-08-12 23:07
【摘要】：机械设备在运行过程中的任何异常状态都会给整个生产过程造成巨大损失。压缩机作为石油化工行业的重要设备,对其运行状态进行监测,不仅可以保证设备的安全可靠运行,更能有效避免重大事故的发生。因此,本文利用压缩机运行过程中产生的振动信号,基于神经网络方法实现对压缩机运行状态的在线监测。首先利用相空间重构技术,将一维时间序列振动信号扩展到高维空间,一方面可以更好地展现整个压缩机系统的运行特性;另一方面可以为神经网络输入神经元个数的确定提供技术支持,有效避免传统的人工随机选择过程造成的主观性、不确定性,提高监测结果的精度和可信度。针对传统的G-P算法中无标度区识别过于依赖人工经验的不足,本文提出了DBSCAN聚类与粒子群优化算法相结合的无标度区自动识别方法。根据双对数曲线数据分布特性,利用DBSCAN算法对双对数曲线上的点进行聚类分析,确定初始解集范围,并以相关性指标最大和残差平方和最小为目标建立无标度区识别优化模型,使用粒子群算法获得最优解,实现无标度区的自动识别。最后,通过经典Lorenz方程验证所提方法的有效性,并将其应用到压缩机状态监测中。准确获得振动信号预测值对压缩机异常状态预警信号的显示至关重要。针对实际生产中的时间序列数据,BP神经网络预测只依赖于当前输入,而RNN循环神经网络因具有强大的“记忆”功能,综合考虑了信号当前输入与过去输出共同作用的影响,预测结果更为精准。在此基础上,本文构建了基于相空间重构的RNN循环神经网络预测模型进行振动信号预测,并用实验证明其预测精度更高,对压缩机运行过程中的异常状态更为敏感。基于振动信号特征进行压缩机运行状态监测。针对传统神经网络无法实现多维特征时间序列模型建立问题,使用深层信念网络堆叠RBM的方式对多层特征进行学习,并通过反向微调过程提高模型泛化能力。将预测得到的基于时间序列的振动信号进行相空间重构,提取有量纲和无量纲参数分别进行状态监测。实验结果表明,不同特征对表征机械设备运行状态的角度不同,监测结果也各不相同,综合考虑多维特征参数进行状态监测可以取得更好的监测结果。最后,基于本文对压缩机振动信号的相关研究,设计了一个状态监测系统,实现对压缩机运行状态的实时显示。
【学位授予单位】：天津工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TE65;TQ051.21
【图文】：
测的重要参照，因此，延迟时间和嵌入维数的确定就成为重中之重［２８］。本章主要逡逑介绍了基于时间序列数据的相空间重构技术，以及相关参数的选择方法。整体结逡逑构如图２－１所示。逡逑ｐ－自相关函数法逡逑延迟时间——平均位移法逡逑时间序列逦｜逦互彳５息法逡逑构－逦「几何不变量法逡逑逦１邋一虚假邻近点法逡逑＾嵌入维数一逡逑逦逦逦１邋—邋Ｃａｏ氏方法逡逑ｂ邋Ｇ－Ｐ算法提取关联维数法逡逑图２－１整体结构图逡逑Ｆｉｇ．邋２－１邋Ｏｖｅｒａｌｌ邋ｓｔｒｕｃｔｕｒｅ邋ｄｒａｗｉｎｇ逡逑２．１时间序列分析逡逑时间序列，简单地说就是基于同样统计指标的、有相同含义的一组按时间顺逡逑序组合而成的数列。时间序列分析则是依据数据序列的互相依赖关系，从量化角逡逑度探索事物内部发展规律，是基于过去和当前的现象极大可能表明现在和将来活逡逑动的发展变化趋向这一假设，根据客观事物内部发展规律的连续性，对历史数据逡逑进行统计分析，进而实现对未来的预测，据此展现事物的发展状态和未来趋势，逡逑７逡逑
、S谩ⅲ浚垮澹垮澹皱义希垮义贤迹常笔莸慵浞植脊叵靛瓮迹常仓苯用芏瓤纱铩⒚芏瓤纱铩⒚芏认嗔涔叵靛义希疲椋纾澹常卞澹模椋螅簦颍椋猓酰簦椋铮铄危疲椋纾澹常插澹裕瑁邋澹颍澹欤幔簦椋铮铄澹猓澹簦鳎澹澹铄澹洌椋颍澹悖翦澹洌澹睿螅椋簦澹颍澹幔悖瑁幔猓欤澹澹洌澹睿螅椋簦义希颍澹欤幔簦椋铮睿螅瑁椋穑箦澹猓澹簦鳎澹澹铄澹洌幔簦徨危颍澹幔悖瑁幔猓欤邋澹幔睿溴澹洌澹睿螅椋簦澹悖铮睿睿澹悖簦椋铮铄义希穑铮椋睿簦箦义希模拢樱茫粒尉劾嗨枷牒芗虻ィ捍用芏瓤纱锏墓叵抵姓页鲎畲蟮拿芏认嗔难义媳咀槌傻募希次钪站劾嗟囊桓隼啾穑蛘咚凳且桓龃亍Ｕ飧龃乩锟梢杂幸诲义细龌蚨喔龊诵亩韵蟆Ｈ绻挥幸桓龊诵亩韵螅虼乩锲渌姆呛诵亩韵笱径荚阱义险飧龊诵亩韵蟮牧谟蚶铮蝗绻卸喔龊诵亩韵螅虼乩锏娜我庖桓龊诵亩韵箦义系男牧谟蛑幸欢ㄓ幸桓銎渌暮诵亩韵螅裨蛘饬礁龊诵亩韵笪薹芏瓤纱铩ｅ义险庑┖诵亩韵蟮男牧谟蚶锼械难镜募献槌梢桓觯模拢樱茫粒尉劾啻亍ｅ义显诒疚慕樯艿南嗫占渲毓狗椒ㄖ校紫仍谒允呱先我庋≡褚桓雒挥欣噱义媳鸬暮诵亩韵笞魑肿樱缓笳业秸飧龊诵亩韵竽芄幻芏瓤纱锏乃醒炯希义霞次桓鼍劾啻亍＝幼偶绦≡窳硪桓雒挥欣啾鸬暮诵亩韵笕パ罢移涿芏瓤纱锏腻义涎炯
本文编号：2791146
【学位授予单位】：天津工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TE65;TQ051.21
【图文】：
测的重要参照，因此，延迟时间和嵌入维数的确定就成为重中之重［２８］。本章主要逡逑介绍了基于时间序列数据的相空间重构技术，以及相关参数的选择方法。整体结逡逑构如图２－１所示。逡逑ｐ－自相关函数法逡逑延迟时间——平均位移法逡逑时间序列逦｜逦互彳５息法逡逑构－逦「几何不变量法逡逑逦１邋一虚假邻近点法逡逑＾嵌入维数一逡逑逦逦逦１邋—邋Ｃａｏ氏方法逡逑ｂ邋Ｇ－Ｐ算法提取关联维数法逡逑图２－１整体结构图逡逑Ｆｉｇ．邋２－１邋Ｏｖｅｒａｌｌ邋ｓｔｒｕｃｔｕｒｅ邋ｄｒａｗｉｎｇ逡逑２．１时间序列分析逡逑时间序列，简单地说就是基于同样统计指标的、有相同含义的一组按时间顺逡逑序组合而成的数列。时间序列分析则是依据数据序列的互相依赖关系，从量化角逡逑度探索事物内部发展规律，是基于过去和当前的现象极大可能表明现在和将来活逡逑动的发展变化趋向这一假设，根据客观事物内部发展规律的连续性，对历史数据逡逑进行统计分析，进而实现对未来的预测，据此展现事物的发展状态和未来趋势，逡逑７逡逑
、S谩ⅲ浚垮澹垮澹皱义希垮义贤迹常笔莸慵浞植脊叵靛瓮迹常仓苯用芏瓤纱铩⒚芏瓤纱铩⒚芏认嗔涔叵靛义希疲椋纾澹常卞澹模椋螅簦颍椋猓酰簦椋铮铄危疲椋纾澹常插澹裕瑁邋澹颍澹欤幔簦椋铮铄澹猓澹簦鳎澹澹铄澹洌椋颍澹悖翦澹洌澹睿螅椋簦澹颍澹幔悖瑁幔猓欤澹澹洌澹睿螅椋簦义希颍澹欤幔簦椋铮睿螅瑁椋穑箦澹猓澹簦鳎澹澹铄澹洌幔簦徨危颍澹幔悖瑁幔猓欤邋澹幔睿溴澹洌澹睿螅椋簦澹悖铮睿睿澹悖簦椋铮铄义希穑铮椋睿簦箦义希模拢樱茫粒尉劾嗨枷牒芗虻ィ捍用芏瓤纱锏墓叵抵姓页鲎畲蟮拿芏认嗔难义媳咀槌傻募希次钪站劾嗟囊桓隼啾穑蛘咚凳且桓龃亍Ｕ飧龃乩锟梢杂幸诲义细龌蚨喔龊诵亩韵蟆Ｈ绻挥幸桓龊诵亩韵螅虼乩锲渌姆呛诵亩韵笱径荚阱义险飧龊诵亩韵蟮牧谟蚶铮蝗绻卸喔龊诵亩韵螅虼乩锏娜我庖桓龊诵亩韵箦义系男牧谟蛑幸欢ㄓ幸桓銎渌暮诵亩韵螅裨蛘饬礁龊诵亩韵笪薹芏瓤纱铩ｅ义险庑┖诵亩韵蟮男牧谟蚶锼械难镜募献槌梢桓觯模拢樱茫粒尉劾啻亍ｅ义显诒疚慕樯艿南嗫占渲毓狗椒ㄖ校紫仍谒允呱先我庋≡褚桓雒挥欣噱义媳鸬暮诵亩韵笞魑肿樱缓笳业秸飧龊诵亩韵竽芄幻芏瓤纱锏乃醒炯希义霞次桓鼍劾啻亍＝幼偶绦≡窳硪桓雒挥欣啾鸬暮诵亩韵笕パ罢移涿芏瓤纱锏腻义涎炯
本文编号：2791146
本文链接：https://www.wllwen.com/kejilunwen/shiyounenyuanlunwen/2791146.html
