论文部分内容阅读
企业生产中的机械设备一旦发生故障,整个装置都不能正常运作,因此对设备进行状态监测和故障诊断是设备维护上的一个必不可少的重要环节。机械设备状态信号是机械设备异常或故障信息的载体,在机械故障诊断中,可用于监测与诊断的信息很多,包括振动、温度、压力、声响和变形等,在众多信息中,振动信号能够更迅速、更直接的反应机械设备的运行状态。
本研究以风机振动信号为研究对象,对其进行分析处理,提取特征值,并应用神经网络进行故障诊断,并采用LabVIEW这一图形化编程语言设计系统界面,系统界面包括三大部分:信号采集、信号处理和故障诊断。
首先,根据工业风机常见故障的典型特征,采用振动传感器对风机振动进行了全面的监测,由于采集到的表征诊断对象运行的原始状态信号混杂有大量的背景噪声,为提高诊断的灵敏度和可靠性,必须采用信号处理技术,在状态信号中排除噪声、干扰的影响,提取有用的故障信息,以突出故障特征。因此,系统先采用小波包分析对原始状态信号进行消噪处理。
然后,在进行神经网络故障诊断之前,还必须对消噪后的信号提取特征值,作为神经网络的输入。所谓特征提取,就是对系统的动态信号预处理后得到的信息进行分析,提取与系统状态有关的数据,再分析这些数据,提取其中与系统状态相关性较大的敏感特征。特征提取采用小波包分析重构,计算各频带子信号的相对能量值。
神经网络不同于传统的人工智能领域普遍采用的基于逻辑与符合规则的处理方法,为人工智能的研究开拓了一个新领域。神经网络是一种比较理想的识别分类工具。因此本课题采用BP神经网络对风机故障进行识别分类。但由于BP神经网络基于梯度的方法,这种方法的收敛速度慢,且常受局部极小点的困扰,把遗传算法应用于神经网络的权值训练中,克服了BP神经网络的缺陷,是神经网络训练的有效方法。