论文部分内容阅读
风机是最为常见的一类旋转机械设备,在机械、化工、煤炭、电力、石油、冶金、建材、农业等关系着国民经济发展的各个行业和领域,风机都有着广泛的应用,并在其中发挥重要作用。其运行状况将直接影响企业的生产力,一旦发生故障而停机,将产生巨大的经济损失和严重的乃至灾难性的后果。随着科技和生产力的迅猛发展,风机结构的精细化和复杂化导致故障率的提升,向风机故障诊断技术提出了更高的需求,企业和科研单位面临新的挑战。 本文以MFS机械故障综合模拟实验台为研究对象,针对风机典型故障如转子不平衡、转子不对中和轴承座松动故障,深入研究了基于自适应小波能量和核极限学习机(Kernel Extreme Learning Machine,KELM)的风机故障诊断方法。主要做了以下几方面的工作: (1)开发风机振动信号采集系统,采集风机典型故障的振动信号 研究风机典型故障的机理,在MFS机械故障综合模拟实验台上对转子不平衡、转子不对中、轴承座松动三种故障进行了模拟,开发振动信号采集系统,采集典型风机故障的振动信号,并进行了数据存储和初步分析。 (2)研究基于自适应小波能量的风机故障特征提取方法 针对小波阈值去噪方法中传统阈值函数自身缺陷以及阈值单一等问题,提出了一种新的自适应阈值小波阈值去噪方法,改进阈值函数,克服传统硬阈值函数和软阈值函数的缺陷;针对单一固定阈值不能很好的适应各尺度小波系数的问题,以小波系数类间方差与类内方差比最大化为约束条件,提出自适应阈值确定方法。风机振动信号自适应小波阈值去噪后,提取各频带小波能量作为风机故障特征,即基于自适应小波能量的风机故障特征提取方法。 (3)研究基于自适应小波能量和KELM的风机故障诊断方法 风机故障诊断的本质是故障的模式识别,传统的模式识别方法存在迭代复杂、学习速度慢、泛化性能差等问题。极限学习机方法能够克服这些问题,但又因为随机初始化导致算法的不稳定性。引入核函数理论,用核映射取代随机初始化,即KELM方法。把KELM与基于自适应小波能量的风机故障特征提取方法相结合,应用于风机故障诊断,提出基于自适应小波能量和KELM的风机故障诊断方法。 (4)开发基于LabVIEW的风机故障诊断系统 开发了基于LabVIEW的风机故障诊断系统。系统采用结构化设计和模块化编程,可实现风机在线故障诊断,信号分析,离线故障诊断和诊断记录查询等功能。对系统进行了运行和测试,结果表明,风机故障诊断系统运行稳定,设计的功能可以很好地实现。