本文關鍵詞：基于神經(jīng)網(wǎng)絡軸流風機的故障診斷研究

  更多相關文章： 風機 特征值提取 故障診斷 神經(jīng)網(wǎng)絡

【摘要】：隨著我國地鐵軌道交通的大量建設并投入運行,地下空間內的通風就需要依靠風機來進行,由于風機大部分是建設在地下的密閉空間內條件的限制,需要保證地下空間的通風換氣而長期運行,所以地鐵風機承擔了內部空間與外部空間幾乎所有通風的工作,在整個地鐵環(huán)控系統(tǒng)扮演的角色最為關鍵。本文對軸流風機的國內外研究現(xiàn)狀進行了詳細的闡述,并分析了常見故障的故障機理和振動特性,然后對軸流風機中包含的故障振動信號,有試驗模擬進行了時域分析和頻域分析從而上升到FFT(傅里葉變換)及Hilbert(包絡分析)理論分析。時域和頻域在FFT中都具有表示故障信號局部特征的能力,在非平穩(wěn)振動信號的分析下,高頻部分具有相對比較高的時間分辨率和比較低的頻率分辨率,在低頻部分有較高的頻率分辨率。從而可以得出,傅里葉變換對于非平穩(wěn)的振動信號具有很大的優(yōu)勢。再利用傅里葉變換對采集到的故障信號進行特征值的提取,把提取到的特征值作為訓練人工神經(jīng)網(wǎng)絡的故障樣本值。并進一步介紹了神經(jīng)網(wǎng)絡的基本特征理論功能,對常見的幾種神經(jīng)網(wǎng)絡的診斷性能進行了對比。最后確定了用BP神經(jīng)網(wǎng)絡模型作為故障診斷系統(tǒng)的基礎。根據(jù)本文所做研究,為解決風機中在故障前期的故障征兆。設計出一套利用MATLAB及VisualC#技術為開發(fā)平臺,基于神經(jīng)網(wǎng)絡模型為基礎的故障診斷系統(tǒng)。
【關鍵詞】：風機 特征值提取 故障診斷 神經(jīng)網(wǎng)絡
【學位授予單位】：廣州大學
【學位級別】：碩士
【學位授予年份】：2016
【分類號】：U231.5;TP183
【目錄】：

• 摘要4-5
• Abstract5-9
• 第一章 緒論9-15
• 1.1 課題的背景9-10
• 1.2 課題的意義10
• 1.3 國內外研究現(xiàn)狀與發(fā)展趨勢10-12
• 1.3.1 國外研究現(xiàn)狀10-11
• 1.3.2 國內研究現(xiàn)狀11-12
• 1.3.3 課題的發(fā)展趨勢12
• 1.4 本文的主要研究內容及解決的問題12-15
• 1.4.2 解決的關鍵問題13-15
• 第二章 軸流風機的振動特性及故障機理15-24
• 2.1 軸流風機的基本結構、工作原理及用途15-16
• 2.1.1 軸流風機的基本結構及工作原理15
• 2.1.2 軸流風機的用途15-16
• 2.2 軸流風機振動原理分析16
• 2.3 常見的故障信號的振動特征和故障模式的原因16-18
• 2.3.1 轉子質量不平衡16-17
• 2.3.2 基礎松動故障17-18
• 2.3.3 動靜件摩擦的故障18
• 2.3.4 軸承失效故障18
• 2.4 振動信號處理技術18-22
• 2.4.1 時域分析法19-21
• 2.4.2 頻域分析法21-22
• 2.5 本章小結22-24
• 第三章 模擬實驗與分析24-37
• 3.1 實驗目的24
• 3.2 實驗平臺的搭建24-26
• 3.3 故障模擬與測試26-36
• 3.3.1 故障模擬的設計方案26-27
• 3.3.2 傳感器的布局與安裝27-29
• 3.3.3 故障的測試及數(shù)據(jù)采集29-36
• 3.4 本章小結36-37
• 第四章 神經(jīng)網(wǎng)絡技術在故障診斷的應用37-70
• 4.1 故障信息的提取及分析處理37-42
• 4.1.1 時域特征分析與提取37
• 4.1.2 頻域特征分析與提取37-42
• 4.1.3 特征值的選擇42
• 4.2 人工神經(jīng)網(wǎng)絡的概述42-49
• 4.2.1 神經(jīng)網(wǎng)絡的發(fā)展和應用43-45
• 4.2.2 神經(jīng)網(wǎng)絡的基本特征和功能45-49
• 4.2.3 神經(jīng)網(wǎng)絡的故障診斷原理分析49
• 4.3 BP神經(jīng)網(wǎng)絡算法49-54
• 4.3.1 BP神經(jīng)網(wǎng)絡的基本結構50
• 4.3.2 改進BP神經(jīng)網(wǎng)絡的學習算法50-54
• 4.4 BP神經(jīng)網(wǎng)絡的故障診斷54-65
• 4.4.1 驗證故障特征值分類識別模型建立54-55
• 4.4.2 數(shù)據(jù)選擇和歸一化55-56
• 4.4.3 BP神經(jīng)網(wǎng)絡結構初始化56-58
• 4.4.4 BP神經(jīng)網(wǎng)絡的訓練58
• 4.4.5 BP神經(jīng)網(wǎng)絡的分類識別58-60
• 4.4.6 BP神經(jīng)網(wǎng)絡模型的驗證及結果分析60-65
• 4.5 風機典型故障樣本數(shù)據(jù)驗證65-69
• 4.5.1 數(shù)據(jù)的采集65-67
• 4.5.2 測試結果及誤差分析67-69
• 4.6 本章小結69-70
• 第五章 診斷系統(tǒng)測試分析模塊的設計70-85
• 5.1 系統(tǒng)總體結構設計70-74
• 5.1.1 系統(tǒng)結構70-71
• 5.1.2 軟件功能71-72
• 5.1.3 數(shù)據(jù)庫的設計72-73
• 5.1.4 模塊設計73-74
• 5.1.5 總體框架設計74
• 5.2 軟件的開發(fā)及編程語言74-84
• 5.2.1 軟件界面75-76
• 5.2.2 采樣數(shù)據(jù)格式轉換模塊76-79
• 5.2.3 信號處理模塊79-82
• 5.2.4 神經(jīng)網(wǎng)絡模塊82-84
• 5.3 本章小結84-85
• 第六章 總結與展望85-87
• 6.1 總結85
• 6.2 展望85-87
• 參考文獻87-91
• 致謝91-92
• 附錄92-96

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前4條

1 焦斌;高志偉;;量子遺傳算法優(yōu)化的最小二乘支持向量機的風機故障診斷[J];上海電機學院學報;2014年03期

2 林邦春;余洋;;軸流風機動葉調節(jié)機構常見故障診斷[J];熱力發(fā)電;2013年08期

3 焦斌;徐志翔;;基于綜合優(yōu)化方法的風力發(fā)電機故障診斷[J];控制工程;2012年04期

4 朱旭東,戴文戰(zhàn),郎燕峰;基于神經(jīng)網(wǎng)絡的方法在故障診斷中的應用[J];機電工程;2003年05期

中國碩士學位論文全文數(shù)據(jù)庫 前3條

1 溫敏健;地鐵風機故障診斷系統(tǒng)的研究[D];北京建筑大學;2013年

2 王一兵;基于神經(jīng)網(wǎng)絡的礦井風機故障診斷[D];上海交通大學;2012年

3 米江;基于神經(jīng)網(wǎng)絡和小波分析的風機故障診斷專家系統(tǒng)[D];南京航空航天大學;2010年

，

本文編號：739914