本文關(guān)鍵詞：G4-73No8D離心風(fēng)機(jī)的機(jī)械故障診斷研究

  更多相關(guān)文章： 風(fēng)機(jī) 復(fù)雜度分析 小波包分析 SDP分析 BP神經(jīng)網(wǎng)絡(luò)

【摘要】：風(fēng)機(jī)是機(jī)械設(shè)備的一個(gè)大類，廣泛運(yùn)用于石油、化工、電力、冶金等重要行業(yè)，對(duì)國(guó)民經(jīng)濟(jì)的發(fā)展有重要的意義。作為煙風(fēng)系統(tǒng)的驅(qū)動(dòng)源，風(fēng)機(jī)是發(fā)電廠中一種大型的旋轉(zhuǎn)機(jī)械，其運(yùn)行過(guò)程中往往伴隨著較強(qiáng)的振動(dòng)和較大的噪聲，容易引發(fā)故障，而風(fēng)機(jī)故障可能引起機(jī)組停機(jī)，造成嚴(yán)重的經(jīng)濟(jì)損失，甚至可能導(dǎo)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(duì)風(fēng)機(jī)開(kāi)展故障診斷研究，對(duì)保障電站的安全、經(jīng)濟(jì)運(yùn)行有著重大的意義。 本文針對(duì)風(fēng)機(jī)故障模擬實(shí)驗(yàn)所得振動(dòng)信號(hào)的不同分析處理方法展開(kāi)深入的研究，從而準(zhǔn)確診斷風(fēng)機(jī)機(jī)械故障，主要內(nèi)容如下： （1）運(yùn)用復(fù)雜度分析方法分別對(duì)振動(dòng)信號(hào)的樣本熵特征和符號(hào)動(dòng)力學(xué)信息熵特征進(jìn)行提取，針對(duì)已得樣本熵?cái)?shù)據(jù)庫(kù)和符號(hào)動(dòng)力學(xué)信息熵?cái)?shù)據(jù)庫(kù)，采用附加動(dòng)量項(xiàng)和自適應(yīng)調(diào)節(jié)學(xué)習(xí)速率的改進(jìn)BP神經(jīng)網(wǎng)絡(luò)建立了相應(yīng)的風(fēng)機(jī)機(jī)械故障診斷模型，并測(cè)試了兩種模型的準(zhǔn)確性。 （2）運(yùn)用小波包分析提取了振動(dòng)信號(hào)的小波包頻帶能量特征。將小波包分析和奇異值分解相結(jié)合，對(duì)振動(dòng)信號(hào)的小波包奇異值特征進(jìn)行提取。在得到以上兩種特征的數(shù)據(jù)庫(kù)之后，，再采用改進(jìn)BP神經(jīng)網(wǎng)絡(luò)對(duì)風(fēng)機(jī)的機(jī)械故障進(jìn)行診斷，并測(cè)試其相應(yīng)的準(zhǔn)確性。 （3）由于風(fēng)機(jī)不同運(yùn)行狀態(tài)相應(yīng)的SDP圖形具有明顯的差異，本文采用了基于振動(dòng)信號(hào)SDP分析的風(fēng)機(jī)機(jī)械故障診斷方法。該方法將振動(dòng)信號(hào)轉(zhuǎn)化為SDP圖形，再將振動(dòng)信號(hào)的SDP圖形轉(zhuǎn)化為數(shù)值矩陣，然后采用相關(guān)系數(shù)法對(duì)振動(dòng)信號(hào)SDP圖形間的相似度進(jìn)行分析，通過(guò)比較測(cè)試信號(hào)的SDP圖與風(fēng)機(jī)各類運(yùn)行狀態(tài)下振動(dòng)信號(hào)的SDP模式圖的圖形相似度，從而確定測(cè)試信號(hào)對(duì)應(yīng)的風(fēng)機(jī)運(yùn)行狀態(tài)。
【關(guān)鍵詞】：風(fēng)機(jī) 復(fù)雜度分析 小波包分析 SDP分析 BP神經(jīng)網(wǎng)絡(luò)
【學(xué)位授予單位】：華北電力大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2014
【分類號(hào)】：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(hào)處理技術(shù)11
• 1.2.2 故障診斷方法11-12
• 1.3 研究?jī)?nèi)容12-14
• 第2章 基于復(fù)雜度分析的風(fēng)機(jī)機(jī)械故障診斷14-29
• 2.1 風(fēng)機(jī)機(jī)械故障的分類識(shí)別方法14-16
• 2.2 基于振動(dòng)信號(hào)樣本熵的風(fēng)機(jī)機(jī)械故障診斷16-21
• 2.2.1 風(fēng)機(jī)振動(dòng)信號(hào)樣本熵特征提取16-19
• 2.2.2 故障診斷19-21
• 2.3 基于振動(dòng)信號(hào)符號(hào)動(dòng)力學(xué)信息熵的風(fēng)機(jī)機(jī)械故障診斷21-28
• 2.3.1 風(fēng)機(jī)振動(dòng)信號(hào)符號(hào)動(dòng)力學(xué)信息熵特征提取21-26
• 2.3.2 故障診斷26-28
• 2.4 本章小結(jié)28-29
• 第3章 基于小波包分析的風(fēng)機(jī)機(jī)械故障診斷29-44
• 3.1 小波包分析的基礎(chǔ)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(fēng)機(jī)機(jī)械故障診斷30-37
• 3.2.1 風(fēng)機(jī)振動(dòng)信號(hào)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(fēng)機(jī)機(jī)械故障診斷37-42
• 3.3.1 風(fēng)機(jī)振動(dòng)信號(hào)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(jié)42-44
• 第4章 基于 SDP 分析的風(fēng)機(jī)機(jī)械故障診斷44-52
• 4.1 SDP 分析法44-49
• 4.1.1 SDP 公式及結(jié)構(gòu)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(fēng)機(jī)機(jī)械故障診斷中的應(yīng)用49-50
• 4.3 本章小結(jié)50-52
• 第5章 結(jié)論與展望52-54
• 5.1 結(jié)論52-53
• 5.2 展望53-54
• 參考文獻(xiàn)54-57
• 攻讀碩士學(xué)位期間發(fā)表的學(xué)術(shù)論文及其它成果57-58
• 致謝58

【共引文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 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(yīng)用[J];車輛與動(dòng)力技術(shù);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(jī)軸承早期故障診斷[J];中國(guó)農(nóng)機(jī)化學(xué)報(bào);2014年06期

3 劉作華;陳超;劉仁龍;陶長(zhǎng)元;王運(yùn)東;;剛?cè)峤M合攪拌槳強(qiáng)化攪拌槽中流體混沌混合[J];化工學(xué)報(bào);2014年01期

4 張文斌;;一種有效的齒輪故障識(shí)別方法[J];工礦自動(dòng)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(dòng)力學(xué)報(bào);2014年07期

6 竇華榮;;基于局部特征尺度分解的汽輪機(jī)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(dòng)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(xué)的觸控顯示系統(tǒng)人機(jī)交互評(píng)價(jià)方法[J];西安交通大學(xué)學(xué)報(bào);2014年05期

9 向丹;葛爽;;一種基于小波包樣本熵和流形學(xué)習(xí)的故障特征提取模型[J];振動(dòng)與沖擊;2014年11期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前3條

1 朱可恒;滾動(dòng)軸承振動(dòng)信號(hào)特征提取及診斷方法研究[D];大連理工大學(xué);2013年

2 安永輝;基于振動(dòng)信息的結(jié)構(gòu)損傷識(shí)別的幾種新方法[D];大連理工大學(xué);2013年

3 許小剛;離心通風(fēng)機(jī)故障診斷方法及失速預(yù)警研究[D];華北電力大學(xué);2014年

本文編號(hào)：612841