【摘要】：中頻冶煉技術近年來作為一門新興技術,在淬火、熔煉、透熱工業(yè)領域中得到廣泛運用。隨著現(xiàn)代集成化感應加熱技術日益趨于成熟,中頻冶煉自動化水平的不斷提高,中頻冶煉系統(tǒng)的可靠、穩(wěn)定、安全運行也越來越重要。 本文主要是通過對中頻冶煉系統(tǒng)主電路電壓信號進行監(jiān)測從而實現(xiàn)對變頻器短路故障進行智能故障診斷的研究。發(fā)生短路故障的變頻器電壓信號是非平穩(wěn)隨機信號,以往的傅里葉變換難以滿足故障特征向量提取要求,并且建立變頻器故障數(shù)學模型比較復雜,基于以上原因本文提出了基于小波包變換和PSO神經(jīng)網(wǎng)絡的中頻冶煉故障診斷方法,通過小波包提取故障特征向量,利用PSO神經(jīng)網(wǎng)絡進行故障識別,并輸出系統(tǒng)相應故障類型。 該故障診斷方法首先是通過利用MATLAB軟件對中頻冶煉主電路進行建模、仿真,模擬了主電路中晶閘管開路故障,獲得了相應的故障波形。其次,當一個系統(tǒng)或電路發(fā)生故障時,測試點測得的電壓或電流與正常情況下相同頻帶內(nèi)能量值是不一樣的,根據(jù)能量守恒定律,某一頻帶能量低,另一頻帶能量值可能就高,信號每個頻帶的能量值是體現(xiàn)故障狀態(tài)一個有效信息。本文使用的小波包算法就是對信號進行系數(shù)分解,得到一組能量形式的故障特征向量;最后,本文主要對變頻器三大類短路故障狀態(tài)進行測試:無故障,一只晶閘管短路故障、兩只晶閘管短路故障,設計了相應的故障信號采集系統(tǒng)和試驗方案,利用已經(jīng)得到的特征向量和三大類故障狀態(tài)設計并訓練PSO神經(jīng)網(wǎng)絡。通過MATLAB平臺實現(xiàn)相應的算法。 本文主要是通過仿真實驗驗證相應故障診斷算法的準確性和有效性。通過仿真模擬故障信號,再對信號分別進行采集和測試,使用小波包算法對故障信號進行特征提取得到故障特征向量;利用已知故障類型的樣本對PSO神經(jīng)網(wǎng)絡進行訓練,然后用測試信號對訓練好的神經(jīng)網(wǎng)絡進行測試。試驗結果顯示輸出故障類型與實際測試信號所對應的故障狀態(tài)一致。結果證明了基于小波包變換和PSO神經(jīng)網(wǎng)絡智能故障診斷方法對中頻冶煉這樣隨機性和模糊性很強的系統(tǒng)切實可行,收斂速度快準確度高,減少了企業(yè)的經(jīng)濟損失,具有很大的運用價值。
[Abstract]:As a new technology in recent years, intermediate frequency smelting technology has been widely used in quenching, smelting and heat permeation industry. With the development of modern integrated induction heating technology and the improvement of intermediate frequency smelting automation, the reliability, stability and safety of intermediate frequency smelting system are becoming more and more important. In this paper, the main circuit voltage signal of intermediate frequency smelting system is monitored to realize the intelligent fault diagnosis of inverter short circuit fault. The frequency converter voltage signal with short-circuit fault is non-stationary random signal, the former Fourier transform is difficult to meet the requirement of fault eigenvector extraction, and the mathematical model of frequency converter fault is more complex. Based on the above reasons, a fault diagnosis method for intermediate frequency smelting based on wavelet packet transform and PSO neural network is proposed in this paper. The fault feature vector is extracted by wavelet packet, the fault is identified by PSO neural network, and the corresponding fault types of the system are outputted. The method of fault diagnosis is to use MATLAB software to model and simulate the thyristor open circuit in the main circuit and obtain the corresponding fault waveform. Secondly, when a system or circuit fails, the voltage or current measured at the test point is different from the normal energy value in the same frequency band. According to the law of conservation of energy, the energy of one frequency band is low, and the energy value of another frequency band may be high. The energy value of each frequency band of the signal is an effective information to reflect the fault state. The wavelet packet algorithm used in this paper is to decompose the coefficients of the signal and obtain a set of fault eigenvector in the form of energy. Finally, this paper mainly tests three kinds of short circuit fault states of frequency converter: no fault, one thyristor short circuit fault, two thyristor short circuit fault, designed the corresponding fault signal collection system and the test scheme. The PSO neural network is designed and trained by using the obtained eigenvector and three kinds of fault states. The algorithm is implemented by MATLAB platform. In this paper, the accuracy and effectiveness of the corresponding fault diagnosis algorithm are verified by simulation experiments. Through simulating the fault signal, the signal is collected and tested, and the fault feature vector is obtained by using wavelet packet algorithm to extract the fault signal. The PSO neural network is trained with the samples of known fault types, and the trained neural networks are tested with test signals. The test results show that the output fault type is consistent with the corresponding fault state of the actual test signal. The results show that the intelligent fault diagnosis method based on wavelet packet transform and PSO neural network is feasible for the system with strong randomness and fuzziness, and the convergence speed is fast and the accuracy is high, and the economic loss of the enterprise is reduced. It has great application value.
【學位授予單位】：河北科技大學
【學位級別】：碩士
【學位授予年份】：2011
【分類號】：TH165.3

【相似文獻】

相關期刊論文 前10條

1 佟錚;張友鵬;;基于BP神經(jīng)網(wǎng)絡的機車輪對故障診斷系統(tǒng)研究[J];鐵路技術創(chuàng)新;2009年01期

2 黃蓮花;李光明;;神經(jīng)網(wǎng)絡數(shù)據(jù)融合在車用傳感器中的應用[J];裝備制造技術;2011年08期

3 景利學;蘇宏升;謝明軍;冉鵬程;;電壓型BUCK變換器控制策略研究[J];電氣傳動自動化;2011年04期

4 姜平;黃志鵬;;基于神經(jīng)網(wǎng)絡的公交客流預測[J];交通標準化;2008年13期

5 尹駿暉;李伶;杜青;;基于神經(jīng)網(wǎng)絡和柔度曲率的簡支梁損傷識別[J];山西建筑;2011年21期

6 孫海龍;馮超;匙瑞堂;;滾動軸承狀態(tài)監(jiān)測[J];工業(yè)設計;2011年05期

7 楊鶴年;;機電一體化系統(tǒng)中的智能控制技術[J];煤炭技術;2011年07期

8 許杰;程錦房;何光進;;一種基于艦船磁場的神經(jīng)網(wǎng)絡識別模型[J];船電技術;2011年09期

9 蒯松巖;吳濤;代尚方;張旭隆;;基于RBF的無位置開關磁阻電機控制系統(tǒng)[J];電力電子技術;2011年07期

10 張赫;王煒;劉瑩瑩;;神經(jīng)網(wǎng)絡在交通流信息融合中的應用[J];武漢理工大學學報(交通科學與工程版);2011年04期

相關會議論文 前10條

1 曹波偉;薛青;牛金濤;龔長虹;劉磊;;基于神經(jīng)網(wǎng)絡和專家系統(tǒng)的裝備智能故障診斷的研究[A];中國自動化學會控制理論專業(yè)委員會C卷[C];2011年

2 侯艷芳;馮紅梅;;基于神經(jīng)網(wǎng)絡的調(diào)制識別算法的研究[A];武漢(南方九省)電工理論學會第22屆學術年會、河南省電工技術學會年會論文集[C];2010年

3 沈建榮;楊林泉;陳琳;;神經(jīng)網(wǎng)絡的穩(wěn)定性判據(jù)與區(qū)域經(jīng)濟結構調(diào)整[A];系統(tǒng)工程與可持續(xù)發(fā)展戰(zhàn)略——中國系統(tǒng)工程學會第十屆年會論文集[C];1998年

4 石山銘;李富蘭;丁俊麗;;神經(jīng)網(wǎng)絡的知識獲取[A];全國青年管理科學與系統(tǒng)科學論文集（第1卷）[C];1991年

5 吳清烈;徐南榮;;基于神經(jīng)網(wǎng)絡的一種多目標決策方法[A];復雜巨系統(tǒng)理論·方法·應用——中國系統(tǒng)工程學會第八屆學術年會論文集[C];1994年

6 李曉鐘;汪培莊;羅承忠;;神經(jīng)網(wǎng)絡與模糊邏輯[A];中國系統(tǒng)工程學會模糊數(shù)學與模糊系統(tǒng)委員會第五屆年會論文選集[C];1990年

7 房育棟;余英林;;高階自組織映射及其學習算法[A];1995年中國控制會議論文集（上）[C];1995年

8 王曉曄;杜朝輝;呂德忠;劉建峰;;神經(jīng)網(wǎng)絡模糊控制在溫度控制系統(tǒng)中的應用[A];1997中國控制與決策學術年會論文集[C];1997年

9 金龍;吳建生;;基于遺傳算法的神經(jīng)網(wǎng)絡短期氣候預測模型(摘要)[A];新世紀氣象科技創(chuàng)新與大氣科學發(fā)展——中國氣象學會2003年年會“氣候系統(tǒng)與氣候變化”分會論文集[C];2003年

10 申偉;張元培;;基于MATLAB的自適應神經(jīng)網(wǎng)絡模糊系統(tǒng)(ANFIS)的應用[A];《制造業(yè)自動化與網(wǎng)絡化制造》學術交流會論文集[C];2004年

相關重要報紙文章 前10條

1 記者 陳青　通訊員 孫國根;揭示神經(jīng)網(wǎng)絡形成新機制[N];文匯報;2011年

2 于翔;數(shù)字神經(jīng)網(wǎng)絡中的協(xié)同應用[N];網(wǎng)絡世界;2009年

3 健康時報特約記者　 張獻懷;干細胞移植：修復受損的神經(jīng)網(wǎng)絡[N];健康時報;2006年

4 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡應用研究通過鑒定[N];中國船舶報;2006年

5 記者 孫剛;“神經(jīng)網(wǎng)絡”：打開復雜工藝“黑箱”[N];解放日報;2007年

6 本報首席記者 任荃　實習生 史博臻;軌交“神經(jīng)網(wǎng)絡”觸動創(chuàng)新神經(jīng)[N];文匯報;2011年

7 計算機世界實驗室 韓勖;當布線系統(tǒng)遭遇神經(jīng)網(wǎng)絡[N];計算機世界;2009年

8 曹建兵 李祖兵 特約記者 何天進 本報記者 于莘明;給導彈植入“神經(jīng)網(wǎng)絡”[N];科技日報;2005年

9 譚薇;“潮濕計算機”：擁有人類智慧的超級大腦[N];第一財經(jīng)日報;2010年

10 韓婷婷;ICT強壯奧運“神經(jīng)網(wǎng)絡”[N];通信產(chǎn)業(yè)報;2007年

相關博士學位論文 前10條

1 劉志祥;深部開采高階段尾砂充填體力學與非線性優(yōu)化設計[D];中南大學;2005年

2 戴雪龍;PET探測器神經(jīng)網(wǎng)絡定位方法研究[D];中國科學技術大學;2006年

3 馬戎;智能控制技術在煉鋼電弧爐中的應用研究[D];西北工業(yè)大學;2006年

4 文敦偉;面向多智能體和神經(jīng)網(wǎng)絡的智能控制研究[D];中南大學;2001年

5 吳大宏;基于遺傳算法與神經(jīng)網(wǎng)絡的橋梁結構健康監(jiān)測系統(tǒng)研究[D];西南交通大學;2003年

6 杜文斌;基于神經(jīng)網(wǎng)絡的冠心病證候診斷標準與藥效評價模型研究[D];遼寧中醫(yī)學院;2004年

7 熊雪梅;參數(shù)化模糊遺傳神經(jīng)網(wǎng)絡及在植物病害預測的應用[D];南京農(nóng)業(yè)大學;2004年

8 李智;電站鍋爐燃燒系統(tǒng)優(yōu)化運行與應用研究[D];東北大學;2005年

9 王承;基于神經(jīng)網(wǎng)絡的模擬電路故障診斷方法研究[D];電子科技大學;2005年

10 譚陽紅;基于小波和神經(jīng)網(wǎng)絡的大規(guī)模模擬電路故障診斷研究[D];湖南大學;2005年

相關碩士學位論文 前10條

1 姜宇;發(fā)動機裂解設備故障診斷技術的研究[D];吉林大學;2012年

2 鄭紅巖;基于非高斯性分析的BP神經(jīng)網(wǎng)絡模擬電路故障診斷研究[D];解放軍信息工程大學;2011年

3 楊立儒;基于神經(jīng)網(wǎng)絡的電路故障診斷的研究與實現(xiàn)[D];解放軍信息工程大學;2010年

4 劉蘭蘭;基于神經(jīng)網(wǎng)絡和遺傳算法的H型鋼粗軋工藝參數(shù)優(yōu)化研究[D];山東大學;2011年

5 田鵬明;基于神經(jīng)網(wǎng)絡的振動主動控制研究[D];太原理工大學;2012年

6 邢遠凱;基于決策樹和遺傳算法的神經(jīng)網(wǎng)絡研究及應用[D];浙江大學;2010年

7 高寶建;基于神經(jīng)網(wǎng)絡的月降水預報模型在洪澤湖的應用研究[D];南京信息工程大學;2012年

8 陳少華;基于Hopfield神經(jīng)網(wǎng)絡控制系統(tǒng)的研究[D];山東科技大學;2010年

9 來建波;基于神經(jīng)網(wǎng)絡的路段行程時間預測研究[D];云南大學;2011年

10 閆超;基于BP神經(jīng)網(wǎng)絡的煤礦深埋硐室軟巖流變參數(shù)反演分析[D];安徽理工大學;2011年

，

本文編號：2420654