论文部分内容阅读
随着港口吞吐量的增大以及港口作业智能化要求的提高,港口机械设备的结构和组成也越来越复杂,负荷也越来越重,长期以来严峻的安全作业形势,恶劣的工作环境,高负荷、长时间的运行,以及相对落后的维护保养体系,使得机械设备出现故障的机率越来越大。因此,开展港口机械故障智能诊断系统的研究,对保障机械安全可靠运行,避免发生重大安全事故,以及保障作业生产效率等方面具有重大的意义。
本文以港口大型机械的电机滚动轴承为研究对象,围绕机械振动智能诊断分析涉及的几项关键技术:振动信号的采集、振动信号特征向量提取、振动信号智能诊断模型的建立展开了深入研究,主要内容包括以下几个方面:
(1)针对港口机械振动信号检测的需求,设计了基于Zynq-7000为核心控制器的振动信号采集系统,并采用压电式加速度传感器检测振动信号。对压电式加速度传感器设计了信号调理电路,使其输出0.1V-2.4V的电压信号供ADC电路进行信号采样。设计的信号采集系统采用核心控制部分和信号采集部分分离模式,能够满足港口机械多通道振动信号高速采集的需求,为故障诊断分析提供了数据基础。
(2)针对原始振动信号难以表征信号特征的特点,分析了时域、频域以及时频域的信号分析方法在构建信号特征的优缺点,并针对港口机械振动信号非线性、非平稳、瞬态突变等特点,采用了小波分析方法对振动信号进行了多尺度的变换,构建了低频和高频特征向量,为构建故障诊断分析模型提供了分析方法。
(3)基于当前应用广泛的深度学习网络模型—长短时记忆神经网络(LSTM),分析比较了当前应用的故障分类模型和故障预测模型的优缺点,提出了一种基于小波变换和长短时记忆神经网络相结合的故障诊断分析模型(WA-LSTM)。其原理为小波分析方法用于构造振动信号的特征向量,由于各特征向量的时间尺度不一致,对各特征向量分别建立LSTM深度神经网络,并进行模型训练。然后将预测的各小波系数进行信号重构。最后将实际的振动数据与预测的振动信号进行数据比较,判别振动数据是否异常。试验结果表明,WA-LSTM模型对于振动信号具有很好的特征学习能力,在机械故障诊断分析方面具有可行性。
本文以港口大型机械的电机滚动轴承为研究对象,围绕机械振动智能诊断分析涉及的几项关键技术:振动信号的采集、振动信号特征向量提取、振动信号智能诊断模型的建立展开了深入研究,主要内容包括以下几个方面:
(1)针对港口机械振动信号检测的需求,设计了基于Zynq-7000为核心控制器的振动信号采集系统,并采用压电式加速度传感器检测振动信号。对压电式加速度传感器设计了信号调理电路,使其输出0.1V-2.4V的电压信号供ADC电路进行信号采样。设计的信号采集系统采用核心控制部分和信号采集部分分离模式,能够满足港口机械多通道振动信号高速采集的需求,为故障诊断分析提供了数据基础。
(2)针对原始振动信号难以表征信号特征的特点,分析了时域、频域以及时频域的信号分析方法在构建信号特征的优缺点,并针对港口机械振动信号非线性、非平稳、瞬态突变等特点,采用了小波分析方法对振动信号进行了多尺度的变换,构建了低频和高频特征向量,为构建故障诊断分析模型提供了分析方法。
(3)基于当前应用广泛的深度学习网络模型—长短时记忆神经网络(LSTM),分析比较了当前应用的故障分类模型和故障预测模型的优缺点,提出了一种基于小波变换和长短时记忆神经网络相结合的故障诊断分析模型(WA-LSTM)。其原理为小波分析方法用于构造振动信号的特征向量,由于各特征向量的时间尺度不一致,对各特征向量分别建立LSTM深度神经网络,并进行模型训练。然后将预测的各小波系数进行信号重构。最后将实际的振动数据与预测的振动信号进行数据比较,判别振动数据是否异常。试验结果表明,WA-LSTM模型对于振动信号具有很好的特征学习能力,在机械故障诊断分析方面具有可行性。