發(fā)布時間：2017-12-28 11:41

  本文關(guān)鍵詞：基于全矢—灰色模型的頻譜預(yù)測研究　出處：《鄭州大學(xué)》2017年碩士論文　論文類型：學(xué)位論文

  更多相關(guān)文章： 全矢譜技術(shù) GM(1 1)模型 MGM(1 m)模型 EMD BP神經(jīng)網(wǎng)絡(luò) 頻譜預(yù)測 預(yù)知維修

【摘要】：設(shè)備故障預(yù)測就是要通過技術(shù)手段,預(yù)測在未來的一定時間內(nèi)機組的運行狀態(tài),預(yù)知將要發(fā)生的設(shè)備故障,以便指導(dǎo)生產(chǎn)調(diào)度和設(shè)備維修。當(dāng)前,國內(nèi)外學(xué)者對于故障預(yù)測的研究主要集中于故障強度、剩余壽命和有無故障方面,多以事先確定的某種特定的單一故障展開,而對于故障性質(zhì)和類型的預(yù)測則相對較少。要對故障類型和性質(zhì)進行預(yù)測,就需要對設(shè)備振動信號的頻譜結(jié)構(gòu)的發(fā)展趨勢進行預(yù)測,并根據(jù)預(yù)測所得的頻譜結(jié)構(gòu)判斷機組的故障性質(zhì)和類型。從不同方向采集到的信號進行頻譜分析時,發(fā)現(xiàn)頻譜結(jié)構(gòu)存在差異性,因此,僅僅依靠單源信號進行預(yù)測,很難反映出機組的運行狀態(tài)。為提高旋轉(zhuǎn)機械故障預(yù)測的可靠性,將基于同源信息融合的全矢譜技術(shù)引入預(yù)測模型,可有效的避免單源信號故障特征提取不完整的弊端,完整的表述轉(zhuǎn)子在整個截面內(nèi)的振動狀態(tài)。本課題的研究內(nèi)容和主要成果如下:(1)研究了全矢-GM(1,1)模型頻譜預(yù)測方法和建模過程。給出了趨勢預(yù)測方法灰色GM(1,1)模型結(jié)合全矢譜技術(shù)的全矢-GM(1,1)模型的具體建模過程,試驗表明,全矢-GM(1,1)模型具有較高的預(yù)測精度,并在機械振動強度的預(yù)測中體現(xiàn)出了較好的預(yù)測效果。(2)研究了基于全矢-MGM(1,m)模型的頻譜結(jié)構(gòu)預(yù)測流程及應(yīng)用。將灰色MGM(1,m)模型預(yù)測方法結(jié)合全矢譜技術(shù)應(yīng)用到機械振動頻譜預(yù)測研究中,并給出了頻譜預(yù)測的全過程。結(jié)果表明,全矢-MGM(1,m)模型也具有較好的預(yù)測效果,并在中長期預(yù)測中,展現(xiàn)出更高的預(yù)測精度。(3)研究了基于全矢-BPGM(1,1)模型的頻譜預(yù)測方法。運用EMD的方法分離特征值中的趨勢量與隨機量,將趨勢量送入GM(1,1)模型中進行預(yù)測,隨機量送入BP神經(jīng)網(wǎng)絡(luò)預(yù)測,將預(yù)測結(jié)果進行整合,得到最終預(yù)測值。實驗表明,全矢-BPGM(1,1)模型擁有更高的預(yù)測精度,可以為設(shè)備預(yù)知維修提供技術(shù)支持。
[Abstract]:Equipment fault prediction is to predict the running state of the unit in the future time by means of technology and predict the equipment failure that will happen, so as to direct production scheduling and equipment maintenance. At present, the research on fault prediction mainly focused on fault intensity, residual life and whether there is fault or not at home and abroad. Most of the research on fault prediction is carried out in advance with a specific single fault, while the prediction for the nature and type of fault is relatively few. To predict the types and properties of faults, we need to predict the development trend of the spectrum structure of equipment vibration signals, and judge the nature and types of faults based on the spectrum structure predicted. When spectrum analysis is carried out from different directions, spectrum structure is different. Therefore, it is difficult to predict the running state of the unit by predicting single source signal. In order to improve the reliability of rotating machinery fault prediction, the full vector spectrum technology based on homologous information fusion is introduced into the prediction model, which can effectively avoid the drawback of incomplete fault feature extraction of single source signal, and completely express the vibration state of the rotor in the whole section. The main contents and main achievements of this research are as follows: (1) the spectrum prediction method and modeling process of the full vector -GM (1,1) model are studied. The concrete modeling process of the full vector -GM (1,1) model with the trend prediction method, the grey GM (1,1) model and the full vector spectrum technique is given. The experiment shows that the full vector -GM (1,1) model has high prediction accuracy and shows a good prediction effect in the prediction of the mechanical vibration intensity. (2) the spectrum structure prediction process based on the full vector -MGM (1, m) model and its application are studied. The grey MGM (1, m) model prediction method and full vector spectrum technique are applied to the study of mechanical vibration spectrum prediction, and the whole process of spectrum prediction is given. The results show that the full vector -MGM (1, m) model also has a better prediction effect, and shows a higher prediction accuracy in the medium and long term prediction. (3) the spectrum prediction method based on the full vector -BPGM (1,1) model is studied. The trend and random variables in the eigenvalues are separated by EMD, and the trend is sent to the GM (1,1) model to predict. The random amount is sent to BP neural network prediction, and the prediction results are integrated to get the final prediction value. The experiment shows that the full vector -BPGM (1,1) model has higher prediction precision, and it can provide technical support for equipment maintenance.
【學(xué)位授予單位】：鄭州大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2017
【分類號】：TH17

【相似文獻】

相關(guān)期刊論文 前10條

1 尹聰;白靜;;基于多窗頻譜估計的PLAR特征提取[J];中北大學(xué)學(xué)報(自然科學(xué)版);2014年01期

2 樊新海;曾興祥;張麗霞;張傳清;;基于CZT的頻譜細化算法及應(yīng)用[J];裝甲兵工程學(xué)院學(xué)報;2012年01期

3 MauRice W.Long;賀賢良;;相位相干多卜勒頻譜[J];航空電子技術(shù);1983年02期

4 陳建春;速度拖引干擾的頻譜識別技術(shù)[J];火控雷達技術(shù);1998年03期

5 李智;一種基于神經(jīng)網(wǎng)絡(luò)的煤炭調(diào)運優(yōu)化方法[J];長沙鐵道學(xué)院學(xué)報;2003年02期

6 王凡,孟立凡;關(guān)于使用神經(jīng)網(wǎng)絡(luò)推定操作者疲勞的研究[J];人類工效學(xué);2004年03期

7 常國任;李仁松;沈醫(yī)文;劉鋼;;基于神經(jīng)網(wǎng)絡(luò)的直升機艦面系統(tǒng)效能評估[J];艦船電子工程;2007年03期

8 陳俊;;神經(jīng)網(wǎng)絡(luò)的應(yīng)用與展望[J];佛山科學(xué)技術(shù)學(xué)院學(xué)報(自然科學(xué)版);2009年05期

9 許萬增;;神經(jīng)網(wǎng)絡(luò)的研究及其應(yīng)用[J];國際技術(shù)經(jīng)濟研究學(xué)報;1990年01期

10 張軍華;神經(jīng)網(wǎng)絡(luò)技術(shù)及其在軍用系統(tǒng)中的應(yīng)用[J];現(xiàn)代防御技術(shù);1992年04期

相關(guān)會議論文 前10條

1 韓耀;王文政;;0/π調(diào)制與四相調(diào)制的頻譜結(jié)構(gòu)及工程應(yīng)用[A];中國雷達行業(yè)協(xié)會航空電子分會暨四川省電子學(xué)會航空航天專委會學(xué)術(shù)交流會論文集[C];2005年

2 徐春玉;;基于泛集的神經(jīng)網(wǎng)絡(luò)的混沌性[A];1996中國控制與決策學(xué)術(shù)年會論文集[C];1996年

3 周樹德;王巖;孫增圻;孫富春;;量子神經(jīng)網(wǎng)絡(luò)[A];2003年中國智能自動化會議論文集（上冊）[C];2003年

4 羅山;張琳;范文新;;基于神經(jīng)網(wǎng)絡(luò)和簡單規(guī)劃的識別融合算法[A];2009系統(tǒng)仿真技術(shù)及其應(yīng)用學(xué)術(shù)會議論文集[C];2009年

5 郭愛克;馬盡文;丁康;;序言(二)[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

6 鐘義信;;知識論:神經(jīng)網(wǎng)絡(luò)的新機遇——紀(jì)念中國神經(jīng)網(wǎng)絡(luò)10周年[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

7 許進;保錚;;神經(jīng)網(wǎng)絡(luò)與圖論[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

8 金龍;朱詩武;趙成志;陳寧;;數(shù)值預(yù)報產(chǎn)品的神經(jīng)網(wǎng)絡(luò)釋用預(yù)報應(yīng)用[A];1999年中國神經(jīng)網(wǎng)絡(luò)與信號處理學(xué)術(shù)會議論文集[C];1999年

9 田金亭;;神經(jīng)網(wǎng)絡(luò)在中學(xué)生創(chuàng)造力評估中的應(yīng)用[A];第十二屆全國心理學(xué)學(xué)術(shù)大會論文摘要集[C];2009年

10 唐墨;王科俊;;自發(fā)展神經(jīng)網(wǎng)絡(luò)的混沌特性研究[A];2009年中國智能自動化會議論文集（第七分冊）[南京理工大學(xué)學(xué)報（增刊）][C];2009年

相關(guān)重要報紙文章 前6條

1 美國明尼蘇達大學(xué)社會學(xué)博士 密西西比州立大學(xué)國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護好創(chuàng)新的“神經(jīng)網(wǎng)絡(luò)硬件”[N];中國教師報;2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計算機世界;2001年

3 葛一鳴 路邊文;人工神經(jīng)網(wǎng)絡(luò)將大顯身手[N];中國紡織報;2003年

4 張偉;走向經(jīng)濟預(yù)知維修[N];中國有色金屬報;2008年

5 記者 許忠　通訊員 徐麗嬌;溫米采油廠預(yù)知維修省費用提效率[N];中國石油報;2009年

6 中國科技大學(xué)計算機系　邢方亮;神經(jīng)網(wǎng)絡(luò)挑戰(zhàn)人類大腦[N];計算機世界;2003年

相關(guān)博士學(xué)位論文 前10條

1 楊旭華;神經(jīng)網(wǎng)絡(luò)及其在控制中的應(yīng)用研究[D];浙江大學(xué);2004年

2 李素芳;基于神經(jīng)網(wǎng)絡(luò)的無線通信算法研究[D];山東大學(xué);2015年

3 石艷超;憶阻神經(jīng)網(wǎng)絡(luò)的混沌性及幾類時滯神經(jīng)網(wǎng)絡(luò)的同步研究[D];電子科技大學(xué);2014年

4 王新迎;基于隨機映射神經(jīng)網(wǎng)絡(luò)的多元時間序列預(yù)測方法研究[D];大連理工大學(xué);2015年

5 付愛民;極速學(xué)習(xí)機的訓(xùn)練殘差、穩(wěn)定性及泛化能力研究[D];中國農(nóng)業(yè)大學(xué);2015年

6 李輝;基于粒計算的神經(jīng)網(wǎng)絡(luò)及集成方法研究[D];中國礦業(yè)大學(xué);2015年

7 王衛(wèi)蘋;復(fù)雜網(wǎng)絡(luò)幾類同步控制策略研究及穩(wěn)定性分析[D];北京郵電大學(xué);2015年

8 張海軍;基于云計算的神經(jīng)網(wǎng)絡(luò)并行實現(xiàn)及其學(xué)習(xí)方法研究[D];華南理工大學(xué);2015年

9 李艷晴;風(fēng)速時間序列預(yù)測算法研究[D];北京科技大學(xué);2016年

10 陳輝;多維超精密定位系統(tǒng)建模與控制關(guān)鍵技術(shù)研究[D];東南大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 官振紅;基于全矢—灰色模型的頻譜預(yù)測研究[D];鄭州大學(xué);2017年

2 章穎;混合不確定性模塊化神經(jīng)網(wǎng)絡(luò)與高校效益預(yù)測的研究[D];華南理工大學(xué);2015年

3 賈文靜;基于改進型神經(jīng)網(wǎng)絡(luò)的風(fēng)力發(fā)電系統(tǒng)預(yù)測及控制研究[D];燕山大學(xué);2015年

4 李慧芳;基于憶阻器的渦卷混沌系統(tǒng)及其電路仿真[D];西南大學(xué);2015年

5 陳彥至;神經(jīng)網(wǎng)絡(luò)降維算法研究與應(yīng)用[D];華南理工大學(xué);2015年

6 董哲康;基于憶阻器的組合電路及神經(jīng)網(wǎng)絡(luò)研究[D];西南大學(xué);2015年

7 武創(chuàng)舉;基于神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究[D];昆明理工大學(xué);2015年

8 李志杰;基于神經(jīng)網(wǎng)絡(luò)的上證指數(shù)預(yù)測研究[D];華南理工大學(xué);2015年

9 陳少吉;基于神經(jīng)網(wǎng)絡(luò)血壓預(yù)測研究與系統(tǒng)實現(xiàn)[D];華南理工大學(xué);2015年

10 張韜;幾類時滯神經(jīng)網(wǎng)絡(luò)穩(wěn)定性分析[D];渤海大學(xué);2015年

，

本文編號：1345859