地鐵軸流風機作為排煙、送風的專用工具,對乘客的生命安全、財產(chǎn)安全和保障地鐵可以正常的運行來說具有極其重要的作用,其健康狀態(tài)直接關乎地鐵安全運營�；咎幱谌旌蚬ぷ鳡顟B(tài)的地鐵軸流風機,在位于地下密閉空間的地鐵中運行時有很多安全隱患。若是風機在帶故障的狀態(tài)下工作,地鐵環(huán)控系統(tǒng)運行出現(xiàn)問題會使整個系統(tǒng)運行出現(xiàn)癱瘓,嚴重會使車控室停機。保證這些風機設備的安全運行是維護地鐵環(huán)控系統(tǒng)穩(wěn)定的前提和基礎,更關系到每一個市民的生命和財產(chǎn)的安全。隨著各種前沿科學技術的發(fā)展,建立一個針對地鐵軸流風機的及時快速的故障監(jiān)控與診斷平臺,可以有效降低上述安全隱患。但經(jīng)過實地走訪調研發(fā)現(xiàn),國內大部分的風機企業(yè)對成套的風機故障診斷系統(tǒng)的研究尚處于實驗室階段或尚未應用于工程實際。因此,建立完善且能初步應用于工程實際中的風機狀態(tài)監(jiān)測與故障診斷系統(tǒng)十分有必要。本文針對DTF-3.55型地鐵軸流風機,首次建立了該型號的風機實驗裝置,對該型號風機進行故障模擬實驗并建立對應的故障庫。進一步建立了合適的改進型機器學習方法,并以LabVIEW為軟件平臺,建立一套包括信號分析、信號特征提取、實時故障診斷和訓練模式等功能的風機故障診斷系統(tǒng)... 

【文章來源】：浙江工業(yè)大學浙江省

【文章頁數(shù)】：87 頁

【學位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題背景與意義
    1.2 國內外研究現(xiàn)狀
        1.2.1 風機故障診斷技術發(fā)展現(xiàn)狀
        1.2.2 機器學習故障診斷的發(fā)展現(xiàn)狀
        1.2.3 小波分析的發(fā)展趨勢
    1.3 工作內容與主要解決的問題
        1.3.1 本文主要工作內容
        1.3.2 本文主要解決問題
        1.3.3 論文組織框架
第二章 針對風機故障的AdaBoost機器學習方法改進研究
    2.1 AdaBoost算法原理
    2.2 基于故障數(shù)據(jù)的基礎分類器對比研究
        2.2.1 常見基礎分類器原理比較
        2.2.2 基于案例的基礎分類器對比分析
    2.3 基于故障數(shù)據(jù)的AdaBoost多分類算法對比研究
        2.3.1 多分類算法原理比較
        2.3.2 多分類算法特征比較
        2.3.3 基于案例的AdaBoost多分類算法分析
    2.4 改進的AdaBoost機器學習方法建立及傳統(tǒng)方法的對比驗證
    2.5 本章小結
第三章 DTF-3.55 型地鐵軸流風機故障模擬實驗裝置的建立
    3.1 流程與設計
    3.2 實驗裝置的建立
        3.2.1 地鐵軸流風機與臺架
        3.2.2 風機電氣與控制系統(tǒng)
        3.2.3 振動傳感器及其安裝
        3.2.4 數(shù)據(jù)采集設備
        3.2.5 上位機
    3.3 故障模擬實驗
        3.3.1 風機運行中常見故障
        3.3.2 實驗裝置調試與試運行
        3.3.3 正常運行
        3.3.4 故障模擬實驗之基座松動
        3.3.5 故障模擬實驗之轉子不平衡
        3.3.6 故障模擬實驗之電機松動
    3.4 本章小結
第四章 DTF-3.55 型地鐵風機故障數(shù)據(jù)實驗測量與處理分析
    4.1 風機故障數(shù)據(jù)采集與預處理
        4.1.1 正常運行數(shù)據(jù)
        4.1.2 基座松動數(shù)據(jù)
        4.1.3 轉子不平衡數(shù)據(jù)
        4.1.4 電機松動數(shù)據(jù)
        4.1.5 信號去噪
    4.2 風機振動信號處理技術
        4.2.1 幅域分析方法
        4.2.2 時域分析方法
        4.2.3 頻域分析方法
        4.2.4 小波與小波包
    4.3 數(shù)據(jù)處理結果與故障庫的建立
    4.4 本章小結
第五章 基于改進機器學習的DTF-3.55 型地鐵風機實時故障監(jiān)控平臺開發(fā)
    5.1 風機實時故障診斷系統(tǒng)的整體框架
    5.2 系統(tǒng)主界面設計
    5.3 振動信號采集與分析界面
        5.3.1 時域分析
        5.3.2 頻域分析
    5.4 故障實時監(jiān)控
        5.4.1 LabVIEW與 MATLAB混合編程
        5.4.2 故障實時監(jiān)控面板設計
    5.5 訓練模式
    5.6 本章小結
第六章 結論與展望
    6.1 結論
    6.2 展望
參考文獻
致謝
作者簡介
    1 作者簡歷
    2 參與的科研項目及獲獎情況
學位論文數(shù)據(jù)集


【參考文獻】：
期刊論文
[1]基于機器學習的故障診斷研究現(xiàn)狀與未來發(fā)展趨勢[J]. 謝思翔.  通訊世界. 2019(04)
[2]基于AdaBoost.M2和神經(jīng)模糊系統(tǒng)的植物識別算法[J]. 雷建椿,何金國.  計算機應用. 2018(04)
[3]基于ELM-AdaBoost.M2的污水處理過程在線故障診斷[J]. 譚承誠,于廣平,邱志成.  計算機測量與控制. 2018(02)
[4]一種改進的BP-Adaboost算法及在雷達多目標分類上的應用[J]. 李蓓,張興敢,方暉.  南京大學學報(自然科學). 2017(05)
[5]基于振動信號地鐵軸流風機的故障診斷分析[J]. 王穎.  風機技術. 2017(S1)
[6]小波的發(fā)展及其在機械設備故障診斷中的應用[J]. 吳秀星,蘇志宵,高立新.  設備管理與維修. 2016(09)
[7]多傳感器融合在通風機故障診斷中的應用[J]. 李林琛,蔣小平.  激光雜志. 2016(04)
[8]傅里葉分析的發(fā)展與現(xiàn)狀[J]. 曾海東,韓峰,劉瑤琳.  現(xiàn)代電子技術. 2014(03)
[9]提升小波包在滾動軸承故障特征提取中的應用[J]. 魏永合,申世英.  沈陽理工大學學報. 2013(05)
[10]基于小波包能量分析及改進支持向量機的風機機械故障診斷[J]. 許小剛,王松嶺,劉錦廉.  動力工程學報. 2013(08)

博士論文
[1]基于行為特征的惡意程序動態(tài)分析與檢測方法研究[D]. 曹瑩.西安電子科技大學 2014
[2]基于支持向量機的故障智能診斷理論與方法研究[D]. 何學文.中南大學 2004

碩士論文
[1]基于Adaboost的鐵路扣件完損性檢測方法研究[D]. 張苗燕.蘭州交通大學 2018
[2]基于第二代小波和多分類器融合的感應電機故障診斷[D]. 楊學良.東南大學 2015
[3]多視角人臉識別算法研究[D]. 鐘誠.廣東工業(yè)大學 2014
[4]基于多小波理論的風機故障診斷技術研究[D]. 賀鵬.天津理工大學 2013
[5]小波分析及其在風機故障診斷中的應用[D]. 唐炳劍.山東大學 2010
[6]地鐵環(huán)控系統(tǒng)軸流風機故障診斷方法研究[D]. 尤麗靜.天津理工大學 2010
[7]基于多小波包和人工神經(jīng)網(wǎng)絡的電力系統(tǒng)故障類型識別研究[D]. 李東敏.西南交通大學 2008
[8]Boosting算法及其應用[D]. 王笑坤.西北大學 2007
[9]基于小波的信號去噪方法研究[D]. 吳勇.武漢理工大學 2007
[10]基于粗糙集和神經(jīng)網(wǎng)絡的故障診斷方法研究[D]. 蘇劍飛.中北大學 2007



本文編號：3638064