近年來,機(jī)械設(shè)備故障診斷技術(shù)在國內(nèi)外得到了較大的發(fā)展,在國民生產(chǎn)中起到了重大的作用。離心壓縮機(jī)作為機(jī)械設(shè)備領(lǐng)域的一部分,由于其結(jié)構(gòu)復(fù)雜,激勵(lì)源多,對其實(shí)施故障診斷比較困難,盡管人們已對其開展了不少研究并取得了一些研究成果,但總的診斷水平還不是很高,這與其在生產(chǎn)中的應(yīng)用現(xiàn)狀是極不相符。本文在吸取前人研究成果的基礎(chǔ)上,結(jié)合實(shí)際,并根據(jù)離心壓縮機(jī)轉(zhuǎn)子信號(hào)的非平穩(wěn)特性,引入了智能診斷方法,對離心壓縮機(jī)轉(zhuǎn)子系統(tǒng)較好地的進(jìn)行了故障診斷。本文根據(jù)離心壓縮機(jī)信號(hào)具有隨機(jī)信號(hào)、周期信號(hào)、沖擊信號(hào)等混雜在一起的特點(diǎn),以及信號(hào)特征難以提取等問題,研究了離心壓縮機(jī)轉(zhuǎn)子系統(tǒng)振動(dòng)信號(hào)的特征提取方法。通過小波變換技術(shù)對時(shí)域和頻域同時(shí)具有良好的局部化性質(zhì),可以聚焦到信號(hào)的任意細(xì)節(jié),對突變信號(hào)和非平穩(wěn)信號(hào)具有很強(qiáng)的識(shí)別能力,利用小波包變換對離心壓縮機(jī)轉(zhuǎn)子典型故障的振動(dòng)信號(hào)進(jìn)行特征提取,并以“能量”為元素,構(gòu)造離心壓縮機(jī)故障信號(hào)的特征向量,以便神經(jīng)網(wǎng)絡(luò)識(shí)別。本文還研究了基于BP神經(jīng)網(wǎng)絡(luò)的離心壓縮機(jī)故障診斷方法。人工神經(jīng)網(wǎng)絡(luò)由于具有處理非線性和自學(xué)習(xí)以及并行計(jì)算能力,且具有在線診斷能力,強(qiáng)大的函數(shù)逼近能力和模式識(shí)別能力,在... 

【文章來源】：東北石油大學(xué)黑龍江省

【文章頁數(shù)】：54 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

－1小波包分解樹形圖

圖 3-4 兩種信號(hào) db3 小波包分解后的灰度圖Fig.3-4 Grey Image of Two Signal Decomposed by db3 Wavelet Packet灰度圖上的灰度顏色越深表示系數(shù)的值越大。從第一幅圖上可以看出在三段時(shí)間內(nèi)有三個(gè)頻率，而且成倍頻遞增，第二幅圖上有三個(gè)頻帶，表示有三個(gè)頻率成分，因?yàn)檎麄�(gè)時(shí)間段上混疊在一起，所以是三條頻帶。從圖上看出小波包可以進(jìn)行很好的時(shí)頻分析。第二種：對信號(hào)中夾帶微小信號(hào)成分進(jìn)行分析。在 10Hz 和 80Hz 疊加的兩個(gè)信號(hào)中在350～380 時(shí)間段夾帶一個(gè) 160Hz 的微小信號(hào)時(shí)域圖和直接對信號(hào)做功率譜如圖 3-5 所示。0 100 200 300 400 500 600 700 800 900 1000-8-6-4-2024680 50 100 150 200 2500500100015002000250030003500400045005000功率譜密度功率信號(hào)功率譜圖 3-5 信號(hào)的時(shí)域圖和功率譜Fig.3-5 Time Domain Wave and Power Spectrum of Signal

整權(quán)值來盡可能調(diào)整網(wǎng)絡(luò)特性，但是這種方法不是是當(dāng)有一個(gè)沒有學(xué)習(xí)過的樣本出現(xiàn)時(shí)，網(wǎng)絡(luò)將失去統(tǒng)的擬合能力不強(qiáng)。法實(shí)際上是一種變結(jié)構(gòu)的 RBF 網(wǎng)絡(luò)。所謂“變結(jié)構(gòu)入樣本為當(dāng)前的 RBF 網(wǎng)絡(luò)分配新的隱單元，也就是拓?fù)浣Y(jié)構(gòu)。同時(shí)，在修正權(quán)值過程中，再進(jìn)一步校選取原則和有效的權(quán)值訓(xùn)練算法可以使它兼有實(shí)BF 網(wǎng)絡(luò)的研究方向之一。 神經(jīng)網(wǎng)絡(luò)的仿真對比研究來對比研究 RBF 與 BP 的特性。頻率突變的正弦時(shí)變信號(hào) y(t)來作為目標(biāo)樣本（采 <≤≤≤=sin(*6*)46sin(*3*)04()tpittpity t

【參考文獻(xiàn)】：
期刊論文
[1]離心壓縮機(jī)故障診斷研究現(xiàn)狀及發(fā)展趨勢[J]. 丁克北.  煉油與化工. 2005(02)
[2]基于小波分析的制冷壓縮機(jī)故障診斷研究[J]. 王志毅,谷波,鄭鋼.  壓縮機(jī)技術(shù). 2003(02)
[3]小波變換對突變信號(hào)峰值奇異點(diǎn)的精確檢測[J]. 朱洪俊,秦樹人,彭麗玲.  機(jī)械工程學(xué)報(bào). 2002(12)
[4]基于小波包與神經(jīng)網(wǎng)絡(luò)的往復(fù)壓縮機(jī)故障診斷方法[J]. 劉樹林,張嘉鐘,徐敏強(qiáng),黃文虎.  石油礦場機(jī)械. 2002(05)
[5]基于Hermitian小波的信號(hào)奇異性識(shí)別[J]. 何正嘉,訾艷陽.  工程數(shù)學(xué)學(xué)報(bào). 2001(S1)
[6]柴油機(jī)氣閥間隙異常的診斷[J]. 商斌梁,黃小念,夏勇,張振仁.  機(jī)械. 2001(S1)
[7]機(jī)械故障信號(hào)小波包分解的時(shí)域特征提取方法研究[J]. 楊國安,鐘秉林,黃仁,賈民平,許云飛.  振動(dòng)與沖擊. 2001(02)
[8]高階循環(huán)統(tǒng)計(jì)量理論在機(jī)械故障診斷中的應(yīng)用[J]. 陳進(jìn),姜鳴.  振動(dòng)工程學(xué)報(bào). 2001(02)
[9]滾動(dòng)軸承故障特征的小波提取方法[J]. 傅勤毅,章易程,應(yīng)力軍,李國順.  機(jī)械工程學(xué)報(bào). 2001(02)
[10]基于連續(xù)小波變換的信號(hào)檢測技術(shù)與故障診斷[J]. 林京,屈梁生.  機(jī)械工程學(xué)報(bào). 2000(12)

博士論文
[1]集成智能故障診斷策略及其應(yīng)用研究[D]. 武和雷.浙江大學(xué) 2003

碩士論文
[1]基于徑向基函數(shù)（RBF）神經(jīng)網(wǎng)絡(luò)的路段行程時(shí)間預(yù)測研究[D]. 朱耿先.重慶大學(xué) 2004
[2]機(jī)械設(shè)備故障智能診斷系統(tǒng)研究[D]. 李小彭.沈陽工業(yè)大學(xué) 2003



本文編號(hào)：2928625