学位论文 > 优秀研究生学位论文题录展示

机械故障诊断中的自适应报警技术研究

作　者: 张遂强
导　师: 郝伟
学　校: 郑州大学
专　业: 机械电子工程
关键词: 概率神经网络自适应报警小波包全矢谱故障诊断设备状态监测主分量分析
分类号: TH17
类　型: 硕士论文
年　份: 2006年
下　载: 161次
引　用: 2次
阅　读: 论文下载

内容摘要

设备状态报警技术是设备状态监测和故障诊断系统的核心技术之一，在监测诊断技术向企业推广以及推动预知维修体制发展变革的过程中都发挥着极其重要的作用。目前工程实际应用的报警技术主要停留在静态报警基础上，即报警线的设置与设备运行情况变化无关。有鉴于此，本文对机械故障诊断中的设备状态报警技术进行了深入研究，主要工作如下： 1．综述了当前设备状态报警技术的一些主要方法，并指出了它们存在的不足。在此基础上，提出了本文的主要研究内容和研究的意义。 2．针对现有的基于概率神经网络的自适应报警技术中的报警阈值设定原则存在的不足，即平滑因子过小不能作为标准差和假设分布为正态分布，改进了报警阈值的设定原则，使设定的报警线不但能够自适应地进行调整，而且更符合设备运行的真实情况，从而为设备状态的评估提供可靠的依据。 3．窄带报警是工程应用中常用的报警技术之一，其报警参数为某关键频带的幅值或能量，提取方法主要有两种：利用三角函数的正交性和傅立叶频谱分析技术，前者以信号周期性假设为前提，后者以信号平稳性假设为前提，而实际信号却是非周期、非平稳的。针对此不足，本文将小波包分解技术引入到自适应报警技术中来，并进行实验研究，实验结果表明，该方法是可行的和有效的。 4．旋转机械的检测一般采用同一截面相互垂直的两个探头来完成，由于转子的涡动特性，两个方向测得的振动信息无论在能量的量值还是在结构上均存在差异性。因此，基于单通道信息的报警技术，常常在不同的方向给出不同的报警结果，造成报警结果的不确定性。针对此问题，本文将矢量幅值谱简化后引入到设备状态报警技术中，成功地解决了不同通道信号数据得到不同的报警结果问题。 5．反映机械故障的特征参数有很多，不同的参数反映故障的角度和程度不同，同时，参数之间又存在一定的相关性。这样，利用单一参数不能保证报警结果的可靠性，而全部采用又存在信息冗余，给报警技术的应用带来了很大的困难，基于此，本文将主分量分析技术引入到设备状态监测报警技术中，成功解决了不这一矛盾。实验结果验证了该方法的实用性。

全文目录

摘要  3-4
Abstract  4-9
第一章绪论  9-18
  1.1 课题来源  9
  1.2 课题的提出与意义  9-11
  1.3 国内外研究现状  11-16
  1.4 主要研究内容  16-17
  1.5 本章小结  17-18
第二章基于概率神经网络的自适应报警研究  18-39
  2.1 设备故障的含义及其特点  18-19
  2.2 机械设备常见的故障模式  19-20
  2.3 常见机械设备的劣化过程及建模的基本假设  20-21
  2.4 模型构建的概率神经网络方法  21-25
    2.4.1 基于Bayes分类的概率神经网络  21-22
    2.4.2 概率神经网络的基本网络结构  22-23
    2.4.3 概率神经网络的改进  23-25
    2.4.4 平滑因子的估计  25
  2.5 模型构建的数据预处理  25-28
    2.5.1 归一化处理  25-26
    2.5.2 相同数据的处理  26-27
    2.5.3 数据量过多时网络结构的优化  27
    2.5.4 数据量过少时样本层的结构优化  27-28
  2.6 报警参数的选择  28-30
  2.7 模型的应用与分析  30-32
    2.7.1 只包括正常运行数据的概率模型  30-31
    2.7.2 包括正常和故障数据的概率模型  31-32
  2.8 设备状态自适应报警线的确定  32-37
    2.8.1 报警阈值的确定原则  33
    2.8.2 只包括正常运行数据的报警阈值  33-34
    2.8.3 包括正常和故障数据的报警阈值  34
    2.8.4 自适应报警线的确定  34-36
    2.8.5 自适应报警线的物理意义  36-37
  2.9 自适应报警线的自适应性  37-38
    2.9.1 设备平稳运行时的收缩性  37
    2.9.2 设备微弱劣化时的包容性  37-38
    2.9.3 设备故障时的敏感性  38
  2.10 本章小结  38-39
第三章小波包分解在自适应报警技术中的应用  39-47
  3.1 小波包分解技术引入的必要性  39
  3.2 小波包分解基本理论  39-42
    3.2.1 小波包的定义  39-41
    3.2.2 小波包的空间分解  41-42
    3.2.3 小波包算法  42
  3.3 基于小波包分解的报警参数提取  42-43
  3.4 实验验证  43-46
    3.4.1 只包含正常数据时的动态报警线  43-44
    3.4.2 包含正常和故障数据时的动态报警线  44-46
  3.5 本章小结  46-47
第四章基全信息技术的自适应报警技术  47-61
  4.1 信息融合技术  47-53
    4.1.1 理论基础  48-49
    4.1.2 全息谱  49-50
    4.1.3 全谱  50-51
    4.1.4 全矢谱  51-52
    4.1.5 全矢谱数值算法  52-53
  4.2 双通道信息报警参量提取  53-55
  4.3 实验验证  55-60
    4.3.1 只包含正常数据时的动态报警线  55-58
    4.3.2 包含正常和故障数据时的动态报警线  58-60
  4.4 本章小结  60-61
第五章基于主分量分析技术的自适应报警技术  61-75
  5.1 主分量基本原理  61-63
  5.2 主分量的求解  63-64
  5.3 主分量的贡献率及其意义  64-65
  5.4 主分量机理研究与改进  65-69
    5.4.1 对数据的要求  66
    5.4.2 数据标准化  66-67
    5.4.3 数据阵的计算  67-68
    5.4.4 特征向量的确定  68-69
  5.5 基本算法和步骤  69-70
  5.6 原始数据指标筛选  70-71
  5.7 实验验证  71-74
    5.7.1 只包含正常数据的自适应报警线确定  71-73
    5.7.2 包含正常和故障数据的自适应报警线确定  73-74
  5.8 本章小结  74-75
第六章结论与展望  75-78
  6.1 本文总结  75-76
  6.2 本文关键技术与创新点  76
  6.3 展望  76-78
参考文献  78-82
攻读硕士期间的参与的科研项目和发表的学术论文  82-83
致谢  83

机械故障诊断中的自适应报警技术研究

内容摘要

全文目录

相似论文