论文部分内容阅读
立磨是一种高效新型的粉末设备,被广泛地应用于水泥行业粉末原料与熟料的生产作业中。工作环境的恶劣以及长期满载荷的运行都会导致该设备发生故障,及时而准确地对该设备进行故障诊断具有很重要的现实意义。但是立磨的故障机理复杂多样,采用单一传感器测得的信息往往具有模糊性和不确定性,因此,可以采用信息融合技术综合利用多个传感器的故障信息,从而实现对该设备更全面的故障诊断,提高故障诊断的可靠性和稳定性。本文以立磨滚动轴承为研究对象,根据立磨轴承的故障特点,提出了一种包含特征级和决策级的信息融合诊断功能模型:特征级主要通过多个并行的PSO-BP神经网络对获取到的特征信息进行局部的子网诊断;决策级通过基于LPMCS的D-S合成规则对各子网络的局部诊断结果进行综合处理,最终实现对立磨滚动轴承的故障诊断。具体研究工作如下:(1)研究基于PSO-BP神经网络的特征级故障诊断方法。针对BP神经网络进行网络训练时易陷入局部最优的问题,提出利用PSO算法的全局寻优能力来优化BP神经网络的权值以及阈值,从而建立PSO-BP神经网络,确保网络收敛于全局最优值。采用PSO-BP神经网络对立磨滚动轴承的加速度信号进行故障诊断,通过分析诊断结果,验证PSO-BP神经网络故障诊断方法的有效性。(2)研究基于LPMCS的D-S证据理论的决策级故障诊断方法。针对经典D-S证据理论中,传统冲突系数K在衡量证据冲突程度的不足,提出一种基于证据距离的冲突衡量方法;将根据此方法计算出的参数作为自适应阈值应用到基于LPMCS的D-S证据理论中。仿真实验表明,该参数能够有效地对待融合证据进行划分形成LPMCS,并基于此得到最终的融合结果。(3)研究信息融合技术在立磨滚动轴承故障诊断中的应用。首先对立磨滚动轴承的多个加速度传感器信号进行特征提取,然后利用PSO-BP神经网络对特征信号进行局部诊断,最后采用基于LPMCS的D-S证据理论对各局部诊断结果进行决策诊断。实验结果表明使用两级融合的故障诊断方法能有效提高故障诊断的可靠性,更全面地反映设备的工作状态。基于以上研究,设计并实现立磨滚动轴承的故障诊断系统。