【摘要】：機(jī)械設(shè)備在運(yùn)行過程中的任何異常狀態(tài)都會(huì)給整個(gè)生產(chǎn)過程造成巨大損失。壓縮機(jī)作為石油化工行業(yè)的重要設(shè)備,對(duì)其運(yùn)行狀態(tài)進(jìn)行監(jiān)測,不僅可以保證設(shè)備的安全可靠運(yùn)行,更能有效避免重大事故的發(fā)生。因此,本文利用壓縮機(jī)運(yùn)行過程中產(chǎn)生的振動(dòng)信號(hào),基于神經(jīng)網(wǎng)絡(luò)方法實(shí)現(xiàn)對(duì)壓縮機(jī)運(yùn)行狀態(tài)的在線監(jiān)測。首先利用相空間重構(gòu)技術(shù),將一維時(shí)間序列振動(dòng)信號(hào)擴(kuò)展到高維空間,一方面可以更好地展現(xiàn)整個(gè)壓縮機(jī)系統(tǒng)的運(yùn)行特性;另一方面可以為神經(jīng)網(wǎng)絡(luò)輸入神經(jīng)元個(gè)數(shù)的確定提供技術(shù)支持,有效避免傳統(tǒng)的人工隨機(jī)選擇過程造成的主觀性、不確定性,提高監(jiān)測結(jié)果的精度和可信度。針對(duì)傳統(tǒng)的G-P算法中無標(biāo)度區(qū)識(shí)別過于依賴人工經(jīng)驗(yàn)的不足,本文提出了DBSCAN聚類與粒子群優(yōu)化算法相結(jié)合的無標(biāo)度區(qū)自動(dòng)識(shí)別方法。根據(jù)雙對(duì)數(shù)曲線數(shù)據(jù)分布特性,利用DBSCAN算法對(duì)雙對(duì)數(shù)曲線上的點(diǎn)進(jìn)行聚類分析,確定初始解集范圍,并以相關(guān)性指標(biāo)最大和殘差平方和最小為目標(biāo)建立無標(biāo)度區(qū)識(shí)別優(yōu)化模型,使用粒子群算法獲得最優(yōu)解,實(shí)現(xiàn)無標(biāo)度區(qū)的自動(dòng)識(shí)別。最后,通過經(jīng)典Lorenz方程驗(yàn)證所提方法的有效性,并將其應(yīng)用到壓縮機(jī)狀態(tài)監(jiān)測中。準(zhǔn)確獲得振動(dòng)信號(hào)預(yù)測值對(duì)壓縮機(jī)異常狀態(tài)預(yù)警信號(hào)的顯示至關(guān)重要。針對(duì)實(shí)際生產(chǎn)中的時(shí)間序列數(shù)據(jù),BP神經(jīng)網(wǎng)絡(luò)預(yù)測只依賴于當(dāng)前輸入,而RNN循環(huán)神經(jīng)網(wǎng)絡(luò)因具有強(qiáng)大的“記憶”功能,綜合考慮了信號(hào)當(dāng)前輸入與過去輸出共同作用的影響,預(yù)測結(jié)果更為精準(zhǔn)。在此基礎(chǔ)上,本文構(gòu)建了基于相空間重構(gòu)的RNN循環(huán)神經(jīng)網(wǎng)絡(luò)預(yù)測模型進(jìn)行振動(dòng)信號(hào)預(yù)測,并用實(shí)驗(yàn)證明其預(yù)測精度更高,對(duì)壓縮機(jī)運(yùn)行過程中的異常狀態(tài)更為敏感�；谡駝�(dòng)信號(hào)特征進(jìn)行壓縮機(jī)運(yùn)行狀態(tài)監(jiān)測。針對(duì)傳統(tǒng)神經(jīng)網(wǎng)絡(luò)無法實(shí)現(xiàn)多維特征時(shí)間序列模型建立問題,使用深層信念網(wǎng)絡(luò)堆疊RBM的方式對(duì)多層特征進(jìn)行學(xué)習(xí),并通過反向微調(diào)過程提高模型泛化能力。將預(yù)測得到的基于時(shí)間序列的振動(dòng)信號(hào)進(jìn)行相空間重構(gòu),提取有量綱和無量綱參數(shù)分別進(jìn)行狀態(tài)監(jiān)測。實(shí)驗(yàn)結(jié)果表明,不同特征對(duì)表征機(jī)械設(shè)備運(yùn)行狀態(tài)的角度不同,監(jiān)測結(jié)果也各不相同,綜合考慮多維特征參數(shù)進(jìn)行狀態(tài)監(jiān)測可以取得更好的監(jiān)測結(jié)果。最后,基于本文對(duì)壓縮機(jī)振動(dòng)信號(hào)的相關(guān)研究,設(shè)計(jì)了一個(gè)狀態(tài)監(jiān)測系統(tǒng),實(shí)現(xiàn)對(duì)壓縮機(jī)運(yùn)行狀態(tài)的實(shí)時(shí)顯示。
【學(xué)位授予單位】：天津工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TE65;TQ051.21
【圖文】：

測的重要參照，因此，延遲時(shí)間和嵌入維數(shù)的確定就成為重中之重［２８］。本章主要逡逑介紹了基于時(shí)間序列數(shù)據(jù)的相空間重構(gòu)技術(shù)，以及相關(guān)參數(shù)的選擇方法。整體結(jié)逡逑構(gòu)如圖２－１所示。逡逑ｐ－自相關(guān)函數(shù)法逡逑延遲時(shí)間——平均位移法逡逑時(shí)間序列邐｜邐互彳５息法逡逑構(gòu)－邐「幾何不變量法逡逑邐１邋一虛假鄰近點(diǎn)法逡逑＾嵌入維數(shù)一逡逑邐邐邐１邋—邋Ｃａｏ氏方法逡逑ｂ邋Ｇ－Ｐ算法提取關(guān)聯(lián)維數(shù)法逡逑圖２－１整體結(jié)構(gòu)圖逡逑Ｆｉｇ．邋２－１邋Ｏｖｅｒａｌｌ邋ｓｔｒｕｃｔｕｒｅ邋ｄｒａｗｉｎｇ逡逑２．１時(shí)間序列分析逡逑時(shí)間序列，簡單地說就是基于同樣統(tǒng)計(jì)指標(biāo)的、有相同含義的一組按時(shí)間順逡逑序組合而成的數(shù)列。時(shí)間序列分析則是依據(jù)數(shù)據(jù)序列的互相依賴關(guān)系，從量化角逡逑度探索事物內(nèi)部發(fā)展規(guī)律，是基于過去和當(dāng)前的現(xiàn)象極大可能表明現(xiàn)在和將來活逡逑動(dòng)的發(fā)展變化趨向這一假設(shè)，根據(jù)客觀事物內(nèi)部發(fā)展規(guī)律的連續(xù)性，對(duì)歷史數(shù)據(jù)逡逑進(jìn)行統(tǒng)計(jì)分析，進(jìn)而實(shí)現(xiàn)對(duì)未來的預(yù)測，據(jù)此展現(xiàn)事物的發(fā)展?fàn)顟B(tài)和未來趨勢，逡逑７逡逑

、S謾�？？邋？邋０櫫x�？辶x賢跡常筆蕕慵浞植脊叵靛甕跡常倉苯用芏瓤紗鎩⒚芏瓤紗鎩⒚芏認(rèn)嗔涔叵靛義希疲椋紓澹常卞澹模椋螅簦潁椋猓酰簦椋錚鑠危疲椋紓澹常插澹裕瑁邋澹潁澹歟幔簦椋錚鑠澹猓澹簦鰨澹澹鑠澹洌椋潁澹悖翦澹洌澹睿螅椋簦澹潁澹幔悖瑁幔猓歟�，邋ｄｅｎｓｉｔｙ辶x希潁澹歟幔簦椋錚睿螅瑁椋穡簀澹猓澹簦鰨澹澹鑠澹洌幔簦徨危潁澹幔悖瑁幔猓歟邋澹幔睿溴澹洌澹睿螅椋簦澹悖錚睿睿澹悖簦椋錚鑠義希穡錚椋睿簦簀義希模攏櫻茫粒尉劾嗨枷牒薌虻ィ捍用芏瓤紗锏墓叵抵姓頁鱟畬蟮拿芏認(rèn)嗔難義媳咀槌傻募希次鈧站劾嗟囊桓隼啾穡蛘咚凳且桓齟亍Ｕ飧齟乩錕梢雜幸誨義細(xì)齷蚨喔齪誦畝韻�。染J揮幸桓齪誦畝韻螅虼乩鍥淥姆嗆誦畝韻笱徑莢阱義險(xiǎn)飧齪誦畝韻蟮牧謨蚶錚蝗綣卸喔齪誦畝韻�，则簇里的任意一庚p誦畝韻簀義系男牧謨蛑幸歡ㄓ幸桓銎淥暮誦畝韻�，否则诊喗庚p誦畝韻笪薹芏瓤紗鎩ｅ義險(xiǎn)廡┖誦畝韻蟮男牧謨蚶鎪械難鏡募獻(xiàn)槌梢桓觶模攏櫻茫粒尉劾啻�。辶x顯詒疚慕檣艿南囁占渲毓狗椒ㄖ�，首先灾]允呱先我庋≡褚桓雒揮欣噱義媳鸕暮誦畝韻笞魑腫櫻緩笳業(yè)秸飧齪誦畝韻竽芄幻芏瓤紗锏乃醒炯�，辶x霞次桓鼉劾啻�。接着冀{≡窳硪桓雒揮欣啾鸕暮誦畝韻筧パ罷移涿芏瓤紗锏膩義涎炯

本文編號(hào)：2791146