基于神經(jīng)網(wǎng)絡(luò)的旋轉(zhuǎn)機(jī)械的故障診斷研究.pdf

1、企業(yè)生產(chǎn)中的機(jī)械設(shè)備一旦發(fā)生故障，整個(gè)裝置都不能正常運(yùn)作，因此對(duì)設(shè)備進(jìn)行狀態(tài)監(jiān)測(cè)和故障診斷是設(shè)備維護(hù)上的一個(gè)必不可少的重要環(huán)節(jié)。機(jī)械設(shè)備狀態(tài)信號(hào)是機(jī)械設(shè)備異?；蚬收闲畔⒌妮d體，在機(jī)械故障診斷中，可用于監(jiān)測(cè)與診斷的信息很多，包括振動(dòng)、溫度、壓力、聲響和變形等，在眾多信息中，振動(dòng)信號(hào)能夠更迅速、更直接的反應(yīng)機(jī)械設(shè)備的運(yùn)行狀態(tài)。 本研究以風(fēng)機(jī)振動(dòng)信號(hào)為研究對(duì)象，對(duì)其進(jìn)行分析處理，提取特征值，并應(yīng)用神經(jīng)網(wǎng)絡(luò)進(jìn)行故障診斷，并采用LabVI

2、EW這一圖形化編程語(yǔ)言設(shè)計(jì)系統(tǒng)界面，系統(tǒng)界面包括三大部分：信號(hào)采集、信號(hào)處理和故障診斷。 首先，根據(jù)工業(yè)風(fēng)機(jī)常見(jiàn)故障的典型特征，采用振動(dòng)傳感器對(duì)風(fēng)機(jī)振動(dòng)進(jìn)行了全面的監(jiān)測(cè)，由于采集到的表征診斷對(duì)象運(yùn)行的原始狀態(tài)信號(hào)混雜有大量的背景噪聲，為提高診斷的靈敏度和可靠性，必須采用信號(hào)處理技術(shù)，在狀態(tài)信號(hào)中排除噪聲、干擾的影響，提取有用的故障信息，以突出故障特征。因此，系統(tǒng)先采用小波包分析對(duì)原始狀態(tài)信號(hào)進(jìn)行消噪處理。 然后，在進(jìn)行神

3、經(jīng)網(wǎng)絡(luò)故障診斷之前，還必須對(duì)消噪后的信號(hào)提取特征值，作為神經(jīng)網(wǎng)絡(luò)的輸入。所謂特征提取，就是對(duì)系統(tǒng)的動(dòng)態(tài)信號(hào)預(yù)處理后得到的信息進(jìn)行分析，提取與系統(tǒng)狀態(tài)有關(guān)的數(shù)據(jù)，再分析這些數(shù)據(jù)，提取其中與系統(tǒng)狀態(tài)相關(guān)性較大的敏感特征。特征提取采用小波包分析重構(gòu)，計(jì)算各頻帶子信號(hào)的相對(duì)能量值。 神經(jīng)網(wǎng)絡(luò)不同于傳統(tǒng)的人工智能領(lǐng)域普遍采用的基于邏輯與符合規(guī)則的處理方法，為人工智能的研究開(kāi)拓了一個(gè)新領(lǐng)域。神經(jīng)網(wǎng)絡(luò)是一種比較理想的識(shí)別分類工具。因此本課題采