【摘要】：風(fēng)機屬于通用機械范疇,在國民經(jīng)濟各部門都有廣泛應(yīng)用。作為發(fā)電廠煙風(fēng)系統(tǒng)的動力源,風(fēng)機運行狀況是影響電廠的安全、經(jīng)濟運行的重要因素之一。因此,開展風(fēng)機故障診斷研究,保障風(fēng)機安全可靠的運行,有著重大的意義。本文以G4-73No8D風(fēng)機為研究對象,進行風(fēng)機故障診斷及旋轉(zhuǎn)失速預(yù)測研究。主要研究內(nèi)容及成果如下： (1)離心風(fēng)機故障模擬實驗研究及故障樣本庫的建立�；贕4-73No8D離心通風(fēng)機實驗臺,實現(xiàn)了風(fēng)機典型機械振動故障和旋轉(zhuǎn)失速故障模擬,并建立了高速數(shù)據(jù)采集系統(tǒng)進行數(shù)據(jù)采集,建立了故障樣本庫。機械振動故障狀態(tài)包括不同嚴(yán)重程度、不同發(fā)生部位情況下的不平衡、不對中、松動、碰摩等故障狀態(tài)；失速故障包括不同導(dǎo)流器開度工況下,風(fēng)機從正常運行狀態(tài)到強失速狀態(tài)的漸進過程。 (2)基于小波包及信號復(fù)雜度分析的風(fēng)機智能故障診斷模型研究。實現(xiàn)了振動信號樣本熵特征、符號動力學(xué)信息熵特征、小波包能量特征、小波包奇異值特征的提取,并對每種特征各自的特點進行了分析,發(fā)現(xiàn)不同故障狀態(tài)下的特征均具有一定的可區(qū)分性,為智能故障診斷提供了基礎(chǔ)。改進了智能診斷方法,針對神經(jīng)網(wǎng)絡(luò)易陷入局部極小、收斂速度慢,SVM模型參數(shù)不易選擇的問題,提出用增加動量項和自適應(yīng)調(diào)節(jié)學(xué)習(xí)率優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)和粒子群算法改進SVM作為故障分類器,建立了智能故障診斷模型。結(jié)果顯示,基于復(fù)雜度分析和小波包分析的智能診斷模型能夠?qū)︼L(fēng)機故障進行準(zhǔn)確診斷,且計算效率較高。 (3)基于SDP分析和圖像匹配相結(jié)合的風(fēng)機故障診斷方法研究。實現(xiàn)了風(fēng)機各類運行狀態(tài)下振動信號的SDP變換,得到了不同運行狀態(tài)振動信號的SDP圖,反映了振動信號的特征,體現(xiàn)出風(fēng)機不同運行狀態(tài)之間的區(qū)別；建立了故障模板圖,實現(xiàn)了未知故障SDP圖與故障模板圖之間的圖像匹配,確定了未知故障的種類；對基于單模板、多模板和聚類模板的圖像匹配效果進行分析,結(jié)果顯示基于聚類故障模板圖像匹配效果最佳,在保證了匹配準(zhǔn)確率的基礎(chǔ)上,不增加額外計算量。 (4)基于相空間變換和支持向量回歸機的風(fēng)機旋轉(zhuǎn)失速預(yù)測模型研究。以風(fēng)機從正常狀態(tài)到強失速狀態(tài)的漸進信號訓(xùn)練風(fēng)機失速預(yù)測模型,以相空間變換的方法提取信號特征,挖掘出隱藏在一維時間序列中的本質(zhì)規(guī)律,為回歸研究提供更充實的信息；以SVR作為回歸模型,實現(xiàn)了旋轉(zhuǎn)失速的實時預(yù)測,并基于小波分析的方法檢測出失速起始點�；诙嗖筋A(yù)測技術(shù),建立了旋轉(zhuǎn)失速預(yù)測模型,實現(xiàn)了提前五步預(yù)測失速起始點,滿足了失速預(yù)警的時間需求。
【圖文】：

i 0 2000 4000 6Q00 8000 10000 0 0 2 04 0.6 0.3 1圖3-1標(biāo)準(zhǔn)BP網(wǎng)絡(luò)的訓(xùn)練誤差曲線Fig.3-1 The training error curve of standard BP network_ Best Training Performance is NaN at epoch 324 Training R=0.994l(f f ‘ ‘ ‘ ‘‘ "71 1丨| . ‘ ‘ 78 Tram | N ^ata ,I ^ -------S /、、\ |o.e. /I 1。' . s Zf 一………\ r /? o /^ /la""：.——.——.——.■_.——^ oT0 50 100 150 200 250 300 o 02 04 0 6 ^ 1324 Epochs Target圖3-2改進BP網(wǎng)絡(luò)的訓(xùn)練誤差曲線Fig.3-2 The training error curve of improved BP network綜上所述，改進BP網(wǎng)絡(luò)能夠有效提高網(wǎng)絡(luò)的訓(xùn)練速度，縮短網(wǎng)絡(luò)的訓(xùn)練時間，，改善網(wǎng)絡(luò)的收斂性能，避免網(wǎng)絡(luò)陷入局部極小值，并且改進BP網(wǎng)絡(luò)比標(biāo)準(zhǔn)BP網(wǎng)絡(luò)具有更加良好的逼近性能。25

改進BP網(wǎng)絡(luò)的訓(xùn)練誤差曲線
【學(xué)位授予單位】：華北電力大學(xué)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2014
【分類號】：TH432;TH165.3

【參考文獻】

相關(guān)期刊論文 前10條

1 王凱;安鋼;肖雨;;基于經(jīng)驗?zāi)Ｊ椒纸夂蚖igner高階矩譜的軸承故障診斷[J];軸承;2009年04期

2 許小可;柳曉鳴;陳曉楠;;基于空間分形特征差異的目標(biāo)檢測[J];大連海事大學(xué)學(xué)報;2007年02期

3 周宏;;2007年全國200MW及以上容量火電機組主要輔助設(shè)備運行可靠性統(tǒng)計分析[J];電力設(shè)備;2008年05期

4 侯軍虎,王松嶺,安連鎖,艾進聰;基于一類改進諧波小波的離心風(fēng)機旋轉(zhuǎn)失速特征分析[J];動力工程;2003年06期

5 石志標(biāo);宋全剛;馬明釗;李祺;;基于改進粒子群優(yōu)化支持向量機的汽輪機組故障診斷[J];動力工程學(xué)報;2012年06期

6 史鴻君;楊立豐;;EMD與Elman神經(jīng)網(wǎng)絡(luò)在風(fēng)機故障診斷中的應(yīng)用[J];風(fēng)機技術(shù);2010年05期

7 劉磊;;多類分類支持向量機方法研究[J];福建電腦;2010年08期

8 肖思文;廖傳軍;李學(xué)軍;;小波尺度譜在AE信號特征提取中的應(yīng)用[J];中國工程科學(xué);2008年11期

9 聶超群,陳靜宜,蔣浩康,徐力平;低速軸流壓氣機旋轉(zhuǎn)失速先兆特征的實驗分析[J];工程熱物理學(xué)報;1998年03期

10 楊廣學(xué);王景波;;改進模擬退火算法在FBG傳感網(wǎng)絡(luò)中的應(yīng)用[J];光電技術(shù)應(yīng)用;2010年06期

相關(guān)博士學(xué)位論文 前3條

1 王常青;數(shù)字圖像處理與分析及其在故障診斷中的應(yīng)用研究[D];華中科技大學(xué);2012年

2 林勇;基于振動譜圖像識別的故障診斷方法研究[D];浙江大學(xué);2009年

3 王宇新;基于特征分布的圖像識別方法研究與應(yīng)用[D];大連理工大學(xué);2012年

本文編號：2550937