發(fā)布時間：2017-08-03 05:22

  本文關鍵詞：G4-73No8D離心風機的機械故障診斷研究

  更多相關文章： 風機 復雜度分析 小波包分析 SDP分析 BP神經(jīng)網(wǎng)絡

【摘要】：風機是機械設備的一個大類，廣泛運用于石油、化工、電力、冶金等重要行業(yè)，對國民經(jīng)濟的發(fā)展有重要的意義。作為煙風系統(tǒng)的驅動源，風機是發(fā)電廠中一種大型的旋轉機械，其運行過程中往往伴隨著較強的振動和較大的噪聲，容易引發(fā)故障，而風機故障可能引起機組停機，造成嚴重的經(jīng)濟損失，甚至可能導致環(huán)境污染、損害人身安全和其他更為惡劣的后果。因此對風機開展故障診斷研究，對保障電站的安全、經(jīng)濟運行有著重大的意義。 本文針對風機故障模擬實驗所得振動信號的不同分析處理方法展開深入的研究，從而準確診斷風機機械故障，主要內(nèi)容如下： （1）運用復雜度分析方法分別對振動信號的樣本熵特征和符號動力學信息熵特征進行提取，針對已得樣本熵數(shù)據(jù)庫和符號動力學信息熵數(shù)據(jù)庫，采用附加動量項和自適應調(diào)節(jié)學習速率的改進BP神經(jīng)網(wǎng)絡建立了相應的風機機械故障診斷模型，并測試了兩種模型的準確性。 （2）運用小波包分析提取了振動信號的小波包頻帶能量特征。將小波包分析和奇異值分解相結合，對振動信號的小波包奇異值特征進行提取。在得到以上兩種特征的數(shù)據(jù)庫之后，，再采用改進BP神經(jīng)網(wǎng)絡對風機的機械故障進行診斷，并測試其相應的準確性。 （3）由于風機不同運行狀態(tài)相應的SDP圖形具有明顯的差異，本文采用了基于振動信號SDP分析的風機機械故障診斷方法。該方法將振動信號轉化為SDP圖形，再將振動信號的SDP圖形轉化為數(shù)值矩陣，然后采用相關系數(shù)法對振動信號SDP圖形間的相似度進行分析，通過比較測試信號的SDP圖與風機各類運行狀態(tài)下振動信號的SDP模式圖的圖形相似度，從而確定測試信號對應的風機運行狀態(tài)。
【關鍵詞】：風機 復雜度分析 小波包分析 SDP分析 BP神經(jīng)網(wǎng)絡
【學位授予單位】：華北電力大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TH165.3
【目錄】：

• 摘要5-6
• Abstract6-10
• 第1章 緒論10-14
• 1.1 研究背景及意義10
• 1.2 研究現(xiàn)狀10-12
• 1.2.1 信號處理技術11
• 1.2.2 故障診斷方法11-12
• 1.3 研究內(nèi)容12-14
• 第2章 基于復雜度分析的風機機械故障診斷14-29
• 2.1 風機機械故障的分類識別方法14-16
• 2.2 基于振動信號樣本熵的風機機械故障診斷16-21
• 2.2.1 風機振動信號樣本熵特征提取16-19
• 2.2.2 故障診斷19-21
• 2.3 基于振動信號符號動力學信息熵的風機機械故障診斷21-28
• 2.3.1 風機振動信號符號動力學信息熵特征提取21-26
• 2.3.2 故障診斷26-28
• 2.4 本章小結28-29
• 第3章 基于小波包分析的風機機械故障診斷29-44
• 3.1 小波包分析的基礎理論29-30
• 3.1.1 小波包的定義29-30
• 3.2 基于小波包頻帶能量分析的風機機械故障診斷30-37
• 3.2.1 風機振動信號小波包頻帶能量特征提取31-35
• 3.2.2 故障診斷35-37
• 3.3 基于小波包分析和奇異值分解的風機機械故障診斷37-42
• 3.3.1 風機振動信號小波包奇異值特征提取37-40
• 3.3.2 故障診斷40-42
• 3.4 本章小結42-44
• 第4章 基于 SDP 分析的風機機械故障診斷44-52
• 4.1 SDP 分析法44-49
• 4.1.1 SDP 公式及結構44-45
• 4.1.2 SDP 法的參數(shù)選擇45-48
• 4.1.3 SDP 圖形的圖形處理48-49
• 4.2 SDP 分析法在風機機械故障診斷中的應用49-50
• 4.3 本章小結50-52
• 第5章 結論與展望52-54
• 5.1 結論52-53
• 5.2 展望53-54
• 參考文獻54-57
• 攻讀碩士學位期間發(fā)表的學術論文及其它成果57-58
• 致謝58

【共引文獻】

中國期刊全文數(shù)據(jù)庫 前9條

1 都衡;潘宏俠;;局域波降噪及樣本熵在齒輪箱故障診斷中的應用[J];車輛與動力技術;2014年02期

2 黃炯龍;呂建新;曹紅燕;田杰;;基于階比樣本熵的農(nóng)機軸承早期故障診斷[J];中國農(nóng)機化學報;2014年06期

3 劉作華;陳超;劉仁龍;陶長元;王運東;;剛柔組合攪拌槳強化攪拌槽中流體混沌混合[J];化工學報;2014年01期

4 張文斌;;一種有效的齒輪故障識別方法[J];工礦自動化;2014年02期

5 向丹;葛爽;;基于EMD樣本熵-LLTSA的故障特征提取方法[J];航空動力學報;2014年07期

6 竇華榮;;基于局部特征尺度分解的汽輪機故障診斷研究[J];科技創(chuàng)新與生產(chǎn)力;2014年06期

7 朱可恒;宋希庚;薛冬新;;一種基于層次熵和SVM的軸承故障診斷方法[J];噪聲與振動控制;2013年06期

8 董淵哲;李曉玲;姚磊;姜穎;;面向神經(jīng)工效學的觸控顯示系統(tǒng)人機交互評價方法[J];西安交通大學學報;2014年05期

9 向丹;葛爽;;一種基于小波包樣本熵和流形學習的故障特征提取模型[J];振動與沖擊;2014年11期

中國博士學位論文全文數(shù)據(jù)庫 前3條

1 朱可恒;滾動軸承振動信號特征提取及診斷方法研究[D];大連理工大學;2013年

2 安永輝;基于振動信息的結構損傷識別的幾種新方法[D];大連理工大學;2013年

3 許小剛;離心通風機故障診斷方法及失速預警研究[D];華北電力大學;2014年

本文編號：612841