隨著科學技術的進步與生產(chǎn)力的發(fā)展,機械設備運行的復雜性增加,故障診斷技術也得到大家的重視。針對壓縮機的氣閥故障診斷,Hilbert-Huang變換作為一種新發(fā)展起來的具有自適應的時頻分解能力的信號處理方法,能夠較好的實現(xiàn)故障特征的提取。另外,BP神經(jīng)網(wǎng)絡具有較強模式識別能力,對于解決故障分類具有獨特的優(yōu)勢,但是傳統(tǒng)的BP算法具有尋優(yōu)速度慢,易陷入局部極小的缺點,針對這點,本文引入了主成分分析和一種遺傳-粒子群算法分別改善BP網(wǎng)絡的結構和算法的優(yōu)化。在采集到的氣閥加速度振動信號基礎上,利用Hilbert-Huang提取信號特征,主成分分析進行降維,將這種遺傳-粒子群算法用于BP神經(jīng)網(wǎng)絡的參數(shù)優(yōu)化實現(xiàn)對壓縮機氣閥狀態(tài)的識別。本篇論文可以分為以下幾個部分的內(nèi)容:(1)簡單介紹了課題的研究背景與意義,分析了壓縮機氣閥常見的故障診斷方法和存在的問題;(2)介紹了短時傅里葉變換和小波變換兩種十分常用和典型的信號處理方法,并結合壓縮機氣閥的仿真分析,總結了該兩種方法的局限性;(3)在Hilbert-Huang的基礎上提出一種壓縮機氣閥的特征提取方法:首先進行降噪步驟,然后通過Hilbert-Huang處理方法提取出固有模態(tài)函數(shù)分量信號的能量特征與邊際譜小區(qū)間特征,兩種特征夠成特征向量,最后利用主成分分析法對特征向量進行降維處理;(4)簡要介紹了人工神經(jīng)網(wǎng)絡,引出了BP神經(jīng)網(wǎng)絡的原理、算法等;利用特征提取方法得到四種工況的特征向量,使用標準的BP神經(jīng)網(wǎng)絡對壓縮機氣閥各類故障的識別和分類。最后分析識別結果,總結標準的BP算法所存在的局限性;(5)提出了一種遺傳-粒子群(GA-PSO)算法優(yōu)化BP神經(jīng)網(wǎng)絡,在粒子群算法(PSO)的基礎上融入遺傳算法(GA)的步驟得到本文的遺傳-粒子群算法,該算法結合了粒子群和遺傳算法各自的優(yōu)點,將該遺傳-粒子群算法用于BP神經(jīng)網(wǎng)絡的參數(shù)優(yōu)化過程。最后通過利用三種網(wǎng)絡分別是標準BP網(wǎng)絡、PSO-BP網(wǎng)絡、GA-PSO-BP網(wǎng)絡對壓縮機氣閥進行故障診斷,測試驗證了GA-PSO-BP神經(jīng)網(wǎng)絡對壓縮機氣閥故障診斷優(yōu)于另外兩種網(wǎng)絡,具有可行性。(6)總結全文
【學位單位】：電子科技大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TH45;TP183
【部分圖文】：

診斷技術是現(xiàn)代化生產(chǎn)發(fā)展的產(chǎn)物。早在 60 年代末，美國國家機械故障預防小組，英國成立了機械保健中心。由于診斷技術效益，從而得到迅速發(fā)展，國外在該領域一直處于領先地位，際故障診斷權威專家。我國開展機械故障診斷技術較晚，大致第一階段從 20 世紀 70 年代到 80 年代初期，主要是引進和吸收在此基礎上開展機械設備的故障機理、診斷方法等研究；第二代初到 80 年代末，主要研究各種新的診斷技術，研究和創(chuàng)建斷方法，將設備診斷技術向生產(chǎn)實踐中推廣；第三階段從 20 ，主要從理論和生產(chǎn)實踐上建立系統(tǒng)的診斷理論，研究設備狀系統(tǒng)，將我國的機械設備故障診斷技術推向理論研究和應用的，對于壓縮機氣閥的故障診斷技術基本上停留在第二階段，而今仍然不成熟，不能夠在實際中得到有效應用[3,4]。由此可見，展開故障診斷技術的研究是必要的。由于氣閥位于壓縮機的內(nèi)縮機來講可以說相當小而且結構精細，容易發(fā)生故障。圖 1-1 展結構，其中閥片、彈簧最易發(fā)生故障。

圖 1-2 診斷過程（1）信號檢測信號檢測必須要符合 2 個條件：第一個，在線實時性；第二個，全面信息性。只有滿足了以上兩個條件，其采集的信號才能清晰的體現(xiàn)出設備所測零件的真實特性，才能滿足后續(xù)處理的需求。（2）信號處理對于直接通過傳感器收集的狀態(tài)信號，一般狀態(tài)下都包含了機械設備運行時不可避免的噪聲影響，此時的信號就不應該直接用來進行判別。因此，如何轉換成具有能被識別的信息是關鍵，這就需要從原信號中選擇具有代表意義的特征參數(shù)了，此過程有兩個條件：一是對設備的運行變化能快速識別；二是特征參數(shù)需伴隨設備的工作進程有規(guī)律的變化。（3）狀態(tài)識別狀態(tài)識別時診斷的重要一步，故障診斷從概念上可以通俗的理解為故障分類，

圖 1-3 故障診斷中神經(jīng)網(wǎng)絡的優(yōu)勢目前已經(jīng)有大量的科研人員對于神經(jīng)網(wǎng)絡應用在各個領域的機械設備的故障診斷上。從一些研究結果可以看出，神經(jīng)網(wǎng)絡在故障診斷方面有長處，也具有不足之處，它在并行計算、智能分類、學習等方面上具有較強的優(yōu)勢，但是也存在著網(wǎng)絡結構的無法精確核定、診斷效率不高效、訓練樣本不好抉擇等問題。提出這些的復雜問題，人們也不斷的在進行探索，一種方法就是不將神經(jīng)網(wǎng)絡單獨的進行使用，而是使其通過與其他方法相結合的形式對其進行改造和優(yōu)化，嘗試對神經(jīng)網(wǎng)絡的性能及故障診斷效率進行提高，針對實際問題改善網(wǎng)絡自身的不足，例如利用遺傳算法等理論進行對網(wǎng)絡的一種優(yōu)化。1.5 論文主要工作本文針對往復式壓縮機氣閥閥蓋上采取的 4 種氣閥運行狀態(tài)的加速度振動信號，通過進行 Hilbert-Huang 變換等一系列的信號處理，提取其中相應信號的故障特征；再利用以粒子群算法為基礎的一種遺傳-粒子群算法代替 BP 神經(jīng)網(wǎng)絡原有
【相似文獻】

相關期刊論文 前10條

1 王滿;潘樹林;廣柯平;歐勝芳;;循環(huán)壓縮機氣閥功耗的工程計算與應用[J];石油化工設備技術;2016年05期

2 張波;邵合生;趙輝;;3SVL500型壓縮機氣閥故障原因分析及改進措施[J];中國設備工程;2012年12期

3 趙質(zhì)良;陳學峰;程明;;壓縮機氣閥故障診斷[J];裝備制造技術;2010年10期

4 丁生華;瞿宜鴻;;活塞壓縮機氣閥的研究與發(fā)展方向[J];甘肅科技縱橫;2009年02期

5 孫品同;于宏志;柴立平;;循環(huán)壓縮機氣閥能量損失研究[J];通用機械;2006年08期

6 曾明星,胡院生,王逸;應用統(tǒng)計分析法優(yōu)化H_(22)Ⅲ壓縮機氣閥管理[J];中國設備工程;2004年08期

7 張鐵嶺;壓縮機氣閥結構的改進[J];林業(yè)機械與木工設備;2004年06期

8 田樹杰,李國印,韓俊彥;2Z-3/8型空氣壓縮機氣閥壓蓋的改造[J];河南化工;2003年10期

9 李樹發(fā);壓縮機氣閥泄漏及密封治理[J];潤滑與密封;1994年01期

10 陳宏斌;車用空氣壓縮機氣閥的試驗研究[J];汽車技術;1987年07期

相關博士學位論文 前1條

1 趙俊龍;往復式壓縮機振動信號特征分析及故障診斷方法研究[D];大連理工大學;2010年

相關碩士學位論文 前10條

1 謝昭靈;基于HHT和BP神經(jīng)網(wǎng)絡的壓縮機氣閥故障診斷研究[D];電子科技大學;2018年

2 趙鐵;往復式壓縮機氣閥故障診斷的實驗研究[D];西北工業(yè)大學;2003年

3 孫博雅;往復式壓縮機氣閥智能故障診斷系統(tǒng)研究[D];大連理工大學;2009年

4 李旭朋;往復式壓縮機氣閥故障診斷的小波包分析方法[D];北京化工大學;2008年

5 隋國亮;基于CFD往復式壓縮機氣閥的特性分析[D];沈陽工業(yè)大學;2013年

6 李慶;往復式壓縮機氣閥閥片的故障分析與診斷[D];北京化工大學;2008年

7 張華;基于LM-BP神經(jīng)網(wǎng)絡的多級往復式壓縮機氣閥故障診斷研究[D];東華大學;2015年

8 秦強;基于基追蹤、波形匹配和支持向量機的往復式壓縮機氣閥故障診斷研究[D];北京化工大學;2011年

9 楊曉;基于形態(tài)學分形的往復式壓縮機氣閥故障診斷方法[D];北京化工大學;2016年

10 譚良;活塞式壓縮機氣閥運動分析及性能優(yōu)化[D];大連交通大學;2015年

本文編號：2861869