基于概率神经网络的电机故障诊断研究

发布时间：2017-09-03 06:29

  本文关键词：基于概率神经网络的电机故障诊断研究

  更多相关文章： BP神经网络 异步电动机 PNN神经网络 MATLAB 故障诊断系统

【摘要】：异步电机作为现代化工业的驱动力,给人们的日常生活和社会生产带来了巨大的帮助。随着现代工业技术和科学技术的飞速发展,电机的数量和种类在不断增加,其结构和性能也变得越来越复杂。电机的正常工作状态保证了其生产过程中高效优质、安全可靠的运行特点,提高了社会经济效益。电机在异常状态下运行,不仅损坏了电机本身的结构性能,也会对生产制造和人身安全造成巨大的影响,同时也带来了巨大的经济损失。因此,对电机在运行过程中出现的常见故障,采用先进的科学技术进行诊断处理,有着十分重要的实际意义。然而,随着智能控制技术的不断发展,神经网络、模糊控制、人工智能系统等在电机的故障诊断领域中的得到了广泛的实践和应用。本文主要采用神经网络技术算法设计电动机常见故障的诊断系统,提高故障诊断效率。本文主要研究的是基于神经网络下的异步电动机常见故障诊断系统,通过掌握网络结构和故障机理,分别建立BP网络和PNN网络的网络模型,并对这两种诊断方法做出比较。本文实验中,主要研究的对象是Y801-4型异步电动机,通过搭建试验平台,采集数据信号,提取故障特征频率,验证了BP网络和PNN网络在故障诊断系统中的可行性。首先,对定子的匝间短路故障和转子的断条、偏心故障以及轴承的内圈故障进行了详细的分析研究,主要分析了电动机产生这四种故障的原因和机理,以及引发的电机振动和定子电流的变化情况。其次,对BP网络的原理进行深入了解后,采用MATLAB软件编写神经网络算法,通过不断的改变训练参数和训练函数,实现最佳的诊断结果。然后,在掌握了PNN神经网络的工作原理及其网络结构的基础上,对电动机出现的四种常见故障进行诊断分析,并且对比BP网络训练结果,确定了诊断方法具有结构简单,训练速度快,稳定性高等优点。最后,搭建电动机故障试验平台,并且人为地设置转子的导条断裂故障和转子的偏心故障。采集电动机正常运行和故障运行时的振动信号以及流过电动机的定子电流信号,并对振动信号的时域波形和频域波形进行简单的分析判断。根据电动机故障机理,提取定子电流信号中的故障特征频率作为神经网络的输入样本,在MATLAB平台下进行测试训练,最终取得了较为满意的诊断结果。
【关键词】：BP神经网络 异步电动机 PNN神经网络 MATLAB 故障诊断系统
【学位授予单位】：扬州大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：TM343;TP183
【目录】：

• 摘要2-3
• Abstract3-7
• 第一章 绪论7-13
• 1.1 研究的目的和意义7
• 1.2 电机故障诊断的现状和前景7-10
• 1.3 电机故障诊断的现代诊断方法10-11
• 1.4 本文的主要研究内容及创新点11-13
• 第二章 异步电机的故障机理分析13-25
• 2.1 异步电机的工作原理13-14
• 2.2 异步电动机常见故障类型14-15
• 2.3 异步电动机常见故障机理15-24
• 2.3.1 异步电动机定子故障机理15-17
• 2.3.2 异步电动机转子故障机理17-22
• 2.3.2.1 异步电动机转子断条故障17-19
• 2.3.2.2 异步电动机转子偏心故障19-22
• 2.3.3 异步电动机轴承故障机理22-24
• 2.4 本章小结24-25
• 第三章 基于BP神经网络的异步电动机故障诊断25-39
• 3.1 人工神经网络介绍25
• 3.2 BP神经网络25-30
• 3.2.1 BP神经网络模型26-27
• 3.2.2 BP神经网络学习过程27-30
• 3.3 基于BP神经网络的电机故障诊断30-38
• 3.3.1 隐含层层数的确定30
• 3.3.2 输入输出神经元数确定30-31
• 3.3.3 学习样本数据的处理31-33
• 3.3.4 隐含层神经元个数选取33-35
• 3.3.5 训练参数的选取35-38
• 3.4 本章小结38-39
• 第四章 基于概率神经网络的异步电动机故障诊断39-48
• 4.1 概率神经网络的网络模型39-40
• 4.2 概率神经网络模型的理论与方法40-41
• 4.2.1 Bayes分类原理40-41
• 4.2.2 Parzen窗方法41
• 4.3 概率神经网络数学描述41-42
• 4.4 基于概率神经网络的电机故障诊断42-46
• 4.4.1 基于概率神经网络的诊断模型42-43
• 4.4.2 基于PNN的故障诊断仿真分析43-46
• 4.5 PNN与BP电机故障诊断系统的比较46-47
• 4.6 本章小结47-48
• 第五章 电机平台构建及试验研究48-60
• 5.1 平台构建48-51
• 5.1.1 试验平台搭建48
• 5.1.2 故障模拟48-49
• 5.1.3 传感器与测点位置的选择49-51
• 5.2 试验系统介绍51-53
• 5.3 信号采集与分析53-57
• 5.3.1 振动信号采集与分析53-54
• 5.3.2 定子电流信号采集与分析54-57
• 5.4 神经网络训练57-59
• 5.4.1 基于BP神经网络训练及结果57-58
• 5.4.2 基于PNN神经网络训练58-59
• 5.5 本章小结59-60
• 第六章 总结与展望60-62
• 6.1 总结60-61
• 6.2 展望61-62
• 参考文献62-66
• 致谢66-67

【相似文献】

中国期刊全文数据库 前10条

1 张吉刚;梁娜;;基于概率神经网络的高校毕业生学位评审预测[J];佳木斯大学学报(自然科学版);2011年05期

2 徐光华,屈梁生;基于概率神经网络的机组状态多步预报方法[J];西安交通大学学报;1999年07期

3 高宏岩;;概率神经网络在旋转机械故障诊断中的应用[J];煤矿机械;2006年05期

4 姬东朝;宋笔锋;易华辉;;基于概率神经网络的设备故障诊断及仿真分析[J];火力与指挥控制;2009年01期

5 朱明悦;李小申;;基于概率神经网络的发动机故障诊断方法研究[J];制造业自动化;2012年09期

6 刘宇;卢宇;张玉欣;;概率神经网络在隧道变形位移预测中的应用[J];冶金自动化;2012年04期

7 肖玉玲;孙丽娜;;基于概率神经网络的发动机故障诊断方法研究[J];河南教育学院学报(自然科学版);2012年03期

8 汤俊;莫依雯;邓勇;;概率神经网络在可疑交易监测中的应用及效率比较[J];武汉大学学报(工学版);2013年02期

9 成奇明;张树京;;概率神经网络回归、判别与聚类[J];北方交通大学学报;1993年04期

10 段传学,徐光华,孟光;概率神经网络的边界预报[J];上海交通大学学报;2005年02期

中国重要会议论文全文数据库 前7条

1 刘建华;张伟江;张仲俊;;概率神经网络的实时训练[A];1995中国控制与决策学术年会论文集[C];1995年

2 徐欣;冯道旺;周一宇;卢启中;;核函数概率神经网络脉冲去交错器研究与设计[A];第十届全国信号处理学术年会（CCSP-2001）论文集[C];2001年

3 贾勇;何正友;赵静;;基于小波熵和概率神经网络的配电网暂降源识别方法[A];中国高等学校电力系统及其自动化专业第二十四届学术年会论文集（下册）[C];2008年

4 王成儒;王金甲;李静;;一种用于说话人辨认的概率神经网络的MCE训练算法[A];第三次全国会员代表大会暨学术会议论文集[C];2002年

5 朱志强;樊大帅;张军;王亮;;基于组合PNN概率神经网络的车标识别方法[A];全国先进制造技术高层论坛暨第十届制造业自动化与信息化技术研讨会论文集[C];2011年

6 薄翠梅;李俊;陆爱晶;张广明;;基于核函数和概率神经网络的TE过程监控研究[A];第二十六届中国控制会议论文集[C];2007年

7 芮瑞;鲍长春;;基于概率神经网络的语音与音乐分类[A];第十四届全国信号处理学术年会(CCSP-2009)论文集[C];2009年

中国硕士学位论文全文数据库 前10条

1 张鲁丹;智能图像识别技术研究[D];渤海大学;2016年

2 周沙;基于概率神经网络的变压器局部放电模式识别研究[D];江苏大学;2016年

3 王子健;基于概率神经网络的发动机失火故障诊断[D];吉林大学;2016年

4 俞文燕;基于概率神经网络的电机故障诊断研究[D];扬州大学;2016年

5 张洪波;基于主成分的概率神经网络模拟电路故障诊断的研究[D];湖南大学;2008年

6 张海艳;基于自适应概率神经网络的农作物虫情预测研究[D];兰州交通大学;2011年

7 荣薇;基于概率神经网络的汉语耳语音识别的研究[D];苏州大学;2008年

8 苏亮;基于概率神经网络的焊接结构疲劳寿命分类与预测[D];长安大学;2012年

9 李旭军;基于概率神经网络的质量控制研究[D];合肥工业大学;2006年

10 吴太阳;小波变换和概率神经网络在脉象信号分析中的应用[D];重庆大学;2007年

，

本文编号：783419