本文關鍵詞：基于神經(jīng)網(wǎng)絡的機械故障診斷技術的研究，，由筆耕文化傳播整理發(fā)布。

【摘要】：隨著機械設備復雜程度和自動化水平的提高,機械設備故障診斷的重要性日益顯著,而選擇合適的診斷方法對于診斷結果是否精確至關重要。在智能故障診斷技術的研究中,小波分析和神經(jīng)網(wǎng)絡技術都是熱點研究內容,也是研究的前沿。本文首先對故障診斷技術的研究內容及研究意義進行了闡述,介紹了故障診斷主要的方法及步驟,通過對機械故障振動信號的引入,對故障時振動的時域和頻域的信號進行分析。接著介紹了基于神經(jīng)網(wǎng)絡的故障診斷技術的基本特征和性質,以及神經(jīng)網(wǎng)絡的主要類型,分析了神經(jīng)網(wǎng)絡作為一種新型技術的優(yōu)點。其次,詳細介紹了RBF網(wǎng)絡,并將RBF神經(jīng)網(wǎng)絡與BP網(wǎng)絡進行對比。由于RBF網(wǎng)絡的預測精度要大于BP神經(jīng)網(wǎng)絡,同時RBF網(wǎng)絡的訓練時間明顯小于BP網(wǎng)絡,在故障診斷中顯示出更大的優(yōu)勢。通過對各種理論基礎的分析與比較,為后面的工作提供理論基礎。由于小波變換不具備時移不變性,針對小波分析的不足,本文提出了多分辨率分析和小波固定時間基分析。以船用空氣壓縮機為例,對空氣壓縮機運行中的振動信號進行了研究,并對往復式壓縮機的氣閥振動信號進行了采集,得到相應測量數(shù)據(jù)。通過Labview平臺基于小波固定時間基分析得到的實驗數(shù)據(jù),作為神經(jīng)網(wǎng)絡的輸入樣本。最后通過RBF神經(jīng)網(wǎng)絡對空氣壓縮機進行故障診斷。小波固定時間基分析有效地剔除了壓縮機氣閥故障信號中的冗余,降低了神經(jīng)網(wǎng)絡的輸入維數(shù),改善網(wǎng)絡的收斂性能,從而減少了網(wǎng)絡的訓練時間,避免網(wǎng)絡陷入局部極小。最終通過仿真實驗證實了基于小波固定時間基分析和神經(jīng)網(wǎng)絡用于故障診斷的正確性和有效性。
【關鍵詞】：機械故障診斷 RBF神經(jīng)網(wǎng)絡 小波理論 固定時間基 空氣壓縮機
【學位授予單位】：青島科技大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：TP183;TH17
【目錄】：

• 摘要3-4
• ABSTRACT4-9
• 1 緒論9-14
• 1.1 選題背景和意義9
• 1.2 課題的發(fā)展水平和研究現(xiàn)狀9-10
• 1.3 往復式壓縮機故障診斷方法10-12
• 1.4 往復式壓縮機故障診斷存在的問題12
• 1.5 本文主要的研究內容12-14
• 2 基于智能方法的機械故障診斷技術研究14-35
• 2.1 機械故障分類與特征14-17
• 2.1.1 機械故障的分類14-15
• 2.1.2 機械故障特征15-17
• 2.2 故障特征信號提取與分析17-25
• 2.2.1 機械故障診斷的過程17-18
• 2.2.2 機械故障信號分析技術18-22
• 2.2.3 振動的時域指標22-24
• 2.2.4 頻域主要指標及頻域振動分析24-25
• 2.3 人工神經(jīng)網(wǎng)絡故障診斷25-34
• 2.3.1 神經(jīng)網(wǎng)絡故障診斷的方法與步驟26
• 2.3.2 神經(jīng)網(wǎng)絡的基本組成與類型26-29
• 2.3.3 RBF神經(jīng)網(wǎng)絡的結構與特點29-30
• 2.3.4 RBF神經(jīng)網(wǎng)絡在故障診斷中的應用30-34
• 2.4 本章小結34-35
• 3 空氣壓縮機的故障機理及實驗測量35-50
• 3.1 往復式空壓機常見的故障35-36
• 3.2 空氣壓縮機的故障機理36-38
• 3.2.1 往復式空氣壓縮機的結構36-37
• 3.2.2 往復式空氣壓縮機的工作原理37-38
• 3.3 往復式空壓機氣閥工作原理和運動過程38-44
• 3.3.1 空壓機氣閥的工作原理38-39
• 3.3.2 氣閥的動力學模型39-40
• 3.3.3 氣閥的熱力學模型40-41
• 3.3.4 氣閥的運動過程41-42
• 3.3.5 氣閥的一般故障分析與診斷42-44
• 3.4 空氣壓縮機的實驗測量44-49
• 3.4.1 確定診斷對象44-46
• 3.4.2 選定測量參數(shù)46-47
• 3.4.3 選擇監(jiān)測點47-48
• 3.4.4 信號采集48-49
• 3.5 本章小結49-50
• 4 基于小波固定時間基的實驗數(shù)據(jù)分析50-70
• 4.1 小波分析概述50
• 4.2 多分辨率分析在壓縮機故障診斷中的應用50-62
• 4.3 對零通道的小波固定時間基分析62-69
• 4.4 本章小結69-70
• 5 基于RBF神經(jīng)網(wǎng)絡的空壓機故障診斷仿真驗證70-77
• 5.1 RBF神經(jīng)網(wǎng)絡設計原則70-73
• 5.1.1 網(wǎng)絡輸入與輸出參數(shù)的確定70
• 5.1.2 訓練樣本集的設計70-71
• 5.1.3 初始權值的設計71
• 5.1.4 網(wǎng)絡隱層結構設計71
• 5.1.5 創(chuàng)建RBF函數(shù)71-73
• 5.2 RBF網(wǎng)絡應用于空壓機故障診斷的過程與設計73-74
• 5.2.1 基于RBF網(wǎng)絡的空壓機故障診斷過程73-74
• 5.2.2 RBF網(wǎng)絡應用于空壓機故障診斷的設計74
• 5.3 RBF網(wǎng)絡應用于空氣壓縮機的訓練及結果74-76
• 5.3.1 網(wǎng)絡輸入變量歸一化處理74-75
• 5.3.2 網(wǎng)絡訓練結果75-76
• 5.3.3 仿真結果分析76
• 5.4 本章小結76-77
• 結論與展望77-79
• 參考文獻79-82
• 附錄82-87
• 致謝87-88
• 攻讀碩士學位期間發(fā)表的學術論文及科研成果88-89

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前10條

1 張新華;;基于人工神經(jīng)網(wǎng)絡的文本分類[J];湖北第二師范學院學報;2015年02期

2 谷金誠;;基于小波和神經(jīng)網(wǎng)絡的故障診斷[J];職業(yè);2011年21期

3 劉小民;張文斌;;一種基于徑向基函數(shù)的近似模型構造方法[J];燕山大學學報;2010年05期

4 季忠;黃捷;秦樹人;;提升小波在齒輪箱故障診斷中的應用[J];振動.測試與診斷;2010年03期

5 李維;;基于小波變換的神經(jīng)網(wǎng)絡模擬電路故障診斷[J];大連工業(yè)大學學報;2010年01期

6 張云飛;許敏;趙云勝;;人工神經(jīng)網(wǎng)絡在安全科學中的應用綜述[J];中國安全生產(chǎn)科學技術;2008年06期

7 姚利斌;曹斌;張志新;馬孝江;;基于小波包分析的往復式壓縮機故障診斷[J];中國設備工程;2006年02期

8 智會強,牛坤,田亮,楊增軍;BP網(wǎng)絡和RBF網(wǎng)絡在函數(shù)逼近領域內的比較研究[J];科技通報;2005年02期

9 貫士國,趙亞力,王緒濤;大型活塞式壓縮機常見故障及處理措施[J];化工設計通訊;2003年04期

10 吳翠娟,陳瑩,王致杰,李冬;現(xiàn)代大型設備故障智能診斷技術的現(xiàn)狀與展望[J];電子工程師;2003年12期

中國碩士學位論文全文數(shù)據(jù)庫 前5條

1 李建;多層徑向基函數(shù)網(wǎng)絡的算法改進及其應用[D];安徽工業(yè)大學;2014年

2 李冬;徑向基函數(shù)算法在多學科優(yōu)化中的應用研究及程序實現(xiàn)[D];中國工程物理研究院;2013年

3 張洪瑾;基于模糊神經(jīng)網(wǎng)絡的掘進機液壓系統(tǒng)故障診斷研究[D];南京理工大學;2013年

4 梅杰;基于人工神經(jīng)網(wǎng)絡的旋轉機械故障診斷專家系統(tǒng)[D];武漢理工大學;2011年

5 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

  本文關鍵詞：基于神經(jīng)網(wǎng)絡的機械故障診斷技術的研究，由筆耕文化傳播整理發(fā)布。

本文編號：393104