本文關鍵詞：基于小波分析的風機故障診斷方法研究

  更多相關文章： 故障診斷 小波分析 Hilbert變換 BP神經網絡

【摘要】：風機被廣泛的應用于工業(yè)生產過程中，主要負責通風、引風、排塵以及冷卻，其運行狀態(tài)直接關系著整個生產系統(tǒng)是否能夠安全穩(wěn)定的運行。為了避免事故的發(fā)生和經濟的損失，對風機開展狀態(tài)監(jiān)測與故障診斷具有極其重要的意義。風機運行過程中，其振動信號中包含著豐富的設備運行狀態(tài)信息，通過采集風機的振動信號進行處理并分析，可以完成對風機狀態(tài)的識別。本文以風機振動信號為分析對象，應用小波分析、Hilbert變換以及BP神經網絡技術實現了風機故障診斷。 工業(yè)現場采集的振動信號中常常包含大量的噪聲，具有較低的信噪比，本文采用小波閾值降噪法對風機振動信號進行降噪，提高了故障信號的信噪比，有利于故障特征的進一步提取。小波分析是一種有效的信號分析方法，被廣泛的應用于各個領域，小波分析具有自適應性的時頻特性，很適合處理風機的故障信號。針對風機振動信號的特點，本文應用兩種方法完成風機的故障識別。首先，本文提出了小波變換與Hilbert變換相結合的小波包絡分析，將降噪后的振動信號進行小波分解與重構，對重構后的細節(jié)信號進行Hilbert變換，得到故障信號的包絡譜，通過觀察包絡譜的故障特征頻率完成了風機的故障診斷。其次，本文提出了小波包與BP神經網絡相結合的松散型小波神經網絡方法。小波包是在小波的基礎上發(fā)展起來的分析方法，在保留了小波優(yōu)良時頻特性的同時，提供了比小波更精細的分解信號的能力。將風機的振動信號進行小波包分解與重構，提取各頻段的能量，將歸一化后的各頻段能量作為輸入數據對BP神經網絡進行訓練和測試，，完成風機故障的智能識別。 本論文利用MATLAB軟件對故障信號進行了仿真實驗，實現了兩種方法在風機故障診斷中的應用。實驗結果表明，本文提出的兩種方法對風機進行故障診斷是有效的，具有一定的應用價值。
【關鍵詞】：故障診斷 小波分析 Hilbert變換 BP神經網絡
【學位授予單位】：遼寧科技大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TH165.3
【目錄】：

• 摘要5-6
• ABSTRACT6-9
• 1. 緒論9-19
• 1.1 課題研究的背景和意義9
• 1.2 機械故障診斷技術的國內外發(fā)展現狀9-11
• 1.2.1 國外機械故障診斷技術發(fā)展現狀10
• 1.2.2 國內機械故障診斷技術發(fā)展現狀10-11
• 1.3 基于振動信號分析的故障診斷方法11-16
• 1.3.1 信號的時域分析11-12
• 1.3.2 信號的頻域分析12-13
• 1.3.3 信號的時頻分析13-14
• 1.3.4 信號的智能診斷方法14-16
• 1.4 風機的故障類型16-17
• 1.5 論文的章節(jié)安排17-19
• 2. 風機振動監(jiān)測系統(tǒng)建立19-28
• 2.1 風機振動監(jiān)測系統(tǒng)結構19-24
• 2.2 風機振動信號的頻譜分析24-27
• 2.2.1 頻譜分析的理論概述24-26
• 2.2.2 頻譜分析仿真26-27
• 2.3 本章小結27-28
• 3. 基于小波閾值降噪的風機振動信號預處理28-41
• 3.1 小波分析基本理論概述28-34
• 3.1.1 小波變換28-29
• 3.1.2 常用的小波函數29-30
• 3.1.3 多分辨率分析和 Mallat 算法30-32
• 3.1.4 小波包理論32-34
• 3.2 小波閾值降噪34-38
• 3.2.1 閾值降噪原理34
• 3.2.2 閾值量化34-38
• 3.3 風機振動信號的降噪處理38-40
• 3.4 本章小結40-41
• 4. 基于小波變換和 Hilbert 變換的包絡分析方法研究41-48
• 4.1 Hilbert 變換理論41-42
• 4.2 基于 Hilbert 變換的小波包絡分析在風機故障診斷中的應用42-47
• 4.2.1 小波包絡分析的流程42-43
• 4.2.2 小波基函數的選取43
• 4.2.3 風機振動信號的小波包絡分析43-47
• 4.3 本章小結47-48
• 5. 基于小波包和 BP 神經網絡的風機故障診斷48-76
• 5.1 人工神經網絡48-52
• 5.1.1 人工神經元模型48-50
• 5.1.2 人工神經網絡的特點50
• 5.1.3 人工神經網絡的結構50-51
• 5.1.4 人工神經網絡的學習51-52
• 5.2 BP 神經網絡52-57
• 5.2.1 BP 神經網絡結構52-53
• 5.2.2 BP 神經網絡學習算法53-56
• 5.2.3 BP 神經網絡的不足及改進56-57
• 5.3 小波神經網絡在風機故障診斷中的應用57-75
• 5.3.1 小波神經網絡概述57-58
• 5.3.2 基于小波包的特征提取方法58-59
• 5.3.3 風機振動信號的特征向量提取59-69
• 5.3.4 BP 神經網絡模型的設計69-71
• 5.3.5 BP 神經網絡仿真實驗71-75
• 5.4 本章小結75-76
• 6. 結論與展望76-78
• 參考文獻78-80
• 攻讀碩士學位期間發(fā)表學術論文情況80-81
• 致謝81-82
• 作者簡介82-83

【參考文獻】

中國期刊全文數據庫 前7條

1 郝文廣;丁常富;梁娜;;小波降噪與FFT降噪比較[J];電力科學與工程;2011年03期

2 程道來,吳茜,呂庭彥,陳棟;國內電站故障診斷系統(tǒng)的現狀及發(fā)展方向[J];動力工程;1999年01期

3 陳光;任志良;張濤;;基于Hilbert變換的包絡解調法在魚雷電磁引信中的應用[J];海軍工程大學學報;2009年04期

4 趙明元,朱衡君;機車軸承故障診斷與預測系統(tǒng)[J];機車電傳動;2005年05期

5 耿小慶;和金生;于寶琴;;幾種改進BP算法及其在應用中的比較分析[J];計算機工程與應用;2007年33期

6 賀小輝;石嶸;;基于BP神經網絡的故障診斷技術研究[J];計算機與現代化;2009年07期

7 張軍;陸森林;和衛(wèi)星;王以順;李天博;;基于小波包能量法的滾動軸承故障診斷[J];農業(yè)機械學報;2007年10期

本文編號：937340