【摘要】：論文主要對(duì)離心壓縮機(jī)組振動(dòng)故障自動(dòng)監(jiān)測(cè)與智能診斷方法進(jìn)行了系統(tǒng)的研究,分別對(duì)信號(hào)特征自動(dòng)提取、異常檢測(cè)方法、診斷規(guī)則自動(dòng)提取、智能診斷方法等方面進(jìn)行了研究。在此基礎(chǔ)上,建立了離心壓縮機(jī)組智能診斷系統(tǒng),并通過(guò)實(shí)際案例檢驗(yàn)了所研究方法和診斷系統(tǒng)的有效性。 論文第二章研究了基于現(xiàn)代信號(hào)分析方法的信號(hào)特征自動(dòng)提取方法,重點(diǎn)對(duì)振動(dòng)信號(hào)特征提取中的軸心軌跡自動(dòng)識(shí)別方法進(jìn)行了研究,提出了基于圖像處理方法和小波神經(jīng)網(wǎng)絡(luò)的軸心軌跡自動(dòng)識(shí)別方法,同時(shí)利用Hilbert-Huang變換方法對(duì)弱振動(dòng)信號(hào)特征提取方法進(jìn)行了研究,取得了很好的效果。 論文第三章針對(duì)大型離心壓縮機(jī)組故障類型和故障征兆之間不是一一對(duì)應(yīng)的,存在著非線性映射特征。而現(xiàn)有的故障診斷方法中,難于滿足大型離心壓縮機(jī)組的動(dòng)態(tài)故障診斷和對(duì)于故障的智能化診斷的需要問(wèn)題,研究了基于神經(jīng)網(wǎng)絡(luò)的智能診斷方法。通過(guò)分析神經(jīng)網(wǎng)絡(luò)對(duì)離心壓縮機(jī)組故障分類的有效性,為了提高故障診斷的有效性和準(zhǔn)確性,提出了基于自組織神經(jīng)網(wǎng)絡(luò)的故障自動(dòng)分類方法。通過(guò)對(duì)實(shí)際信號(hào)的分析,驗(yàn)證了方法的有效性。 論文第四章在離心壓縮機(jī)組異常檢測(cè)這個(gè)故障診斷的重要內(nèi)容進(jìn)行了研究,針對(duì)壓縮機(jī)組振動(dòng)信號(hào)異常狀態(tài)的復(fù)雜性,提出了把改進(jìn)型反面選擇算法應(yīng)用于壓縮機(jī)組振動(dòng)故障的檢測(cè),,建立了壓縮機(jī)組振動(dòng)異常狀態(tài)檢測(cè)器,實(shí)現(xiàn)了高效、快速的壓縮機(jī)組振動(dòng)異常檢測(cè),并通過(guò)實(shí)際案例進(jìn)行了驗(yàn)證。 論文第五章針對(duì)壓縮機(jī)組智能診斷中的信息冗余問(wèn)題,提出了一種基于粗糙集的知識(shí)約簡(jiǎn)方法,通過(guò)對(duì)實(shí)際案例的應(yīng)用,證明了該方法可以大幅度的簡(jiǎn)化診斷的知識(shí)結(jié)構(gòu),大大提高了診斷效率。 論文第六章綜合前幾章所研究的方法,建立了離心壓縮機(jī)組振動(dòng)智能診斷系統(tǒng),并應(yīng)用于現(xiàn)場(chǎng)壓縮機(jī)組故障診斷中。該章主要研究了壓縮機(jī)組智能診斷系統(tǒng)的結(jié)構(gòu)框架設(shè)計(jì),壓縮機(jī)組智能診斷專家系統(tǒng)的實(shí)現(xiàn)等方面的問(wèn)題,該章最后通過(guò)實(shí)際的診斷案例分析,證明了利用人工智能診斷方法是實(shí)現(xiàn)壓縮機(jī)組智能診斷的有效途徑。 本論文對(duì)離心壓縮機(jī)組智能診斷技術(shù)進(jìn)行了系統(tǒng)研究,對(duì)于各章所提出的方法,在每章最后均利用仿真和實(shí)際信號(hào)進(jìn)行了驗(yàn)證,而在最后一章,更是通過(guò)多個(gè)現(xiàn)場(chǎng)實(shí)際案例對(duì)智能診斷系統(tǒng)進(jìn)行了驗(yàn)證。
【學(xué)位授予單位】：大慶石油學(xué)院
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2005
【分類號(hào)】：TH452
【圖文】：

2， ，T）為網(wǎng)絡(luò)的輸入，h(j,t)為第 t 個(gè)輸入神經(jīng)元到)()()(,)(ajtbjhjth = ），w(m,j)為隱層第 j 個(gè)神經(jīng)元到輸出層第m=1，2， ，M）為網(wǎng)絡(luò)的輸出。 的 期 望 輸 出 ， 則 網(wǎng) 絡(luò) 第 m 個(gè) 輸 出 神 經(jīng) 元 與 期 望 輸t(m)。網(wǎng)絡(luò)的訓(xùn)練分為 q 輪，每一輪對(duì) n 個(gè)輸入矢量進(jìn)行訓(xùn)練，∑=Mmem12()21， 每 一 輪 的 總 誤 差 ∑==niTEErrori1( )。 設(shè)t′則網(wǎng)絡(luò)學(xué)習(xí)步長(zhǎng)表示如下：)2()cos(1.75)exp(21 1teoutxttniTt′∑∑×′××′× = =圖 2-1 小波神經(jīng)網(wǎng)絡(luò)Fig.2-1 Wavelet NN

=+++()sin()sin(211221122ωβωβytBtBt1A ，1α 和2A ，2α 分別為 x (t)的一倍頻分量，2β 分別為 y (t)的一倍頻分量和二倍頻分量的2α ，1B ，1β ，2B ，2β 變化時(shí)，基本上可以，如圖 2－4 至圖 2－6 所示。利用所生成的軸樣本進(jìn)行分類。圓lipse圖 2-Fig. 2-

一： 建立一個(gè)如圖 2-8 的時(shí)間域信號(hào) ，其中包括分段不同頻率信號(hào)，通過(guò)如上敘述的波，可以很清楚的看出，Hilbert-Huang 變換很好的將原信號(hào)的不同時(shí)間段和不同頻率、的表現(xiàn)出原信號(hào)各頻率和時(shí)間的變化其中圖 2-8 為原始時(shí)間信號(hào)，圖 2-9 為 Huang 變換圖2-8 原始信號(hào)Figure2-8 original signal圖2-7 EMD 尺度分解結(jié)構(gòu)Figure 2-7 EMD mode decomposion

【引證文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前1條

1 黃敏;張芳;;振動(dòng)故障診斷的Petri網(wǎng)模型及系統(tǒng)實(shí)現(xiàn)[J];計(jì)算機(jī)工程;2011年06期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 王一飛;離心式冷水機(jī)組智能故障診斷系統(tǒng)的研究與開發(fā)[D];天津大學(xué);2010年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 嚴(yán)若壘;機(jī)組群監(jiān)測(cè)技術(shù)及其系統(tǒng)研究[D];湖南大學(xué);2008年

本文編號(hào)：2825301