隨著科學(xué)技術(shù)的進(jìn)步與生產(chǎn)力的發(fā)展,機(jī)械設(shè)備運(yùn)行的復(fù)雜性增加,故障診斷技術(shù)也得到大家的重視。針對(duì)壓縮機(jī)的氣閥故障診斷,Hilbert-Huang變換作為一種新發(fā)展起來(lái)的具有自適應(yīng)的時(shí)頻分解能力的信號(hào)處理方法,能夠較好的實(shí)現(xiàn)故障特征的提取。另外,BP神經(jīng)網(wǎng)絡(luò)具有較強(qiáng)模式識(shí)別能力,對(duì)于解決故障分類具有獨(dú)特的優(yōu)勢(shì),但是傳統(tǒng)的BP算法具有尋優(yōu)速度慢,易陷入局部極小的缺點(diǎn),針對(duì)這點(diǎn),本文引入了主成分分析和一種遺傳-粒子群算法分別改善BP網(wǎng)絡(luò)的結(jié)構(gòu)和算法的優(yōu)化。在采集到的氣閥加速度振動(dòng)信號(hào)基礎(chǔ)上,利用Hilbert-Huang提取信號(hào)特征,主成分分析進(jìn)行降維,將這種遺傳-粒子群算法用于BP神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化實(shí)現(xiàn)對(duì)壓縮機(jī)氣閥狀態(tài)的識(shí)別。本篇論文可以分為以下幾個(gè)部分的內(nèi)容:(1)簡(jiǎn)單介紹了課題的研究背景與意義,分析了壓縮機(jī)氣閥常見(jiàn)的故障診斷方法和存在的問(wèn)題;(2)介紹了短時(shí)傅里葉變換和小波變換兩種十分常用和典型的信號(hào)處理方法,并結(jié)合壓縮機(jī)氣閥的仿真分析,總結(jié)了該兩種方法的局限性;(3)在Hilbert-Huang的基礎(chǔ)上提出一種壓縮機(jī)氣閥的特征提取方法:首先進(jìn)行降噪步驟,然后通過(guò)Hilbert-Huang處理方法提取出固有模態(tài)函數(shù)分量信號(hào)的能量特征與邊際譜小區(qū)間特征,兩種特征夠成特征向量,最后利用主成分分析法對(duì)特征向量進(jìn)行降維處理;(4)簡(jiǎn)要介紹了人工神經(jīng)網(wǎng)絡(luò),引出了BP神經(jīng)網(wǎng)絡(luò)的原理、算法等;利用特征提取方法得到四種工況的特征向量,使用標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)對(duì)壓縮機(jī)氣閥各類故障的識(shí)別和分類。最后分析識(shí)別結(jié)果,總結(jié)標(biāo)準(zhǔn)的BP算法所存在的局限性;(5)提出了一種遺傳-粒子群(GA-PSO)算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò),在粒子群算法(PSO)的基礎(chǔ)上融入遺傳算法(GA)的步驟得到本文的遺傳-粒子群算法,該算法結(jié)合了粒子群和遺傳算法各自的優(yōu)點(diǎn),將該遺傳-粒子群算法用于BP神經(jīng)網(wǎng)絡(luò)的參數(shù)優(yōu)化過(guò)程。最后通過(guò)利用三種網(wǎng)絡(luò)分別是標(biāo)準(zhǔn)BP網(wǎng)絡(luò)、PSO-BP網(wǎng)絡(luò)、GA-PSO-BP網(wǎng)絡(luò)對(duì)壓縮機(jī)氣閥進(jìn)行故障診斷,測(cè)試驗(yàn)證了GA-PSO-BP神經(jīng)網(wǎng)絡(luò)對(duì)壓縮機(jī)氣閥故障診斷優(yōu)于另外兩種網(wǎng)絡(luò),具有可行性。(6)總結(jié)全文
【學(xué)位單位】：電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TH45;TP183
【部分圖文】：

診斷技術(shù)是現(xiàn)代化生產(chǎn)發(fā)展的產(chǎn)物。早在 60 年代末，美國(guó)國(guó)家機(jī)械故障預(yù)防小組，英國(guó)成立了機(jī)械保健中心。由于診斷技術(shù)效益，從而得到迅速發(fā)展，國(guó)外在該領(lǐng)域一直處于領(lǐng)先地位，際故障診斷權(quán)威專家。我國(guó)開展機(jī)械故障診斷技術(shù)較晚，大致第一階段從 20 世紀(jì) 70 年代到 80 年代初期，主要是引進(jìn)和吸收在此基礎(chǔ)上開展機(jī)械設(shè)備的故障機(jī)理、診斷方法等研究；第二代初到 80 年代末，主要研究各種新的診斷技術(shù)，研究和創(chuàng)建斷方法，將設(shè)備診斷技術(shù)向生產(chǎn)實(shí)踐中推廣；第三階段從 20 ，主要從理論和生產(chǎn)實(shí)踐上建立系統(tǒng)的診斷理論，研究設(shè)備狀系統(tǒng)，將我國(guó)的機(jī)械設(shè)備故障診斷技術(shù)推向理論研究和應(yīng)用的，對(duì)于壓縮機(jī)氣閥的故障診斷技術(shù)基本上停留在第二階段，而今仍然不成熟，不能夠在實(shí)際中得到有效應(yīng)用[3,4]。由此可見(jiàn)，展開故障診斷技術(shù)的研究是必要的。由于氣閥位于壓縮機(jī)的內(nèi)縮機(jī)來(lái)講可以說(shuō)相當(dāng)小而且結(jié)構(gòu)精細(xì)，容易發(fā)生故障。圖 1-1 展結(jié)構(gòu)，其中閥片、彈簧最易發(fā)生故障。

圖 1-2 診斷過(guò)程（1）信號(hào)檢測(cè)信號(hào)檢測(cè)必須要符合 2 個(gè)條件：第一個(gè)，在線實(shí)時(shí)性；第二個(gè)，全面信息性。只有滿足了以上兩個(gè)條件，其采集的信號(hào)才能清晰的體現(xiàn)出設(shè)備所測(cè)零件的真實(shí)特性，才能滿足后續(xù)處理的需求。（2）信號(hào)處理對(duì)于直接通過(guò)傳感器收集的狀態(tài)信號(hào)，一般狀態(tài)下都包含了機(jī)械設(shè)備運(yùn)行時(shí)不可避免的噪聲影響，此時(shí)的信號(hào)就不應(yīng)該直接用來(lái)進(jìn)行判別。因此，如何轉(zhuǎn)換成具有能被識(shí)別的信息是關(guān)鍵，這就需要從原信號(hào)中選擇具有代表意義的特征參數(shù)了，此過(guò)程有兩個(gè)條件：一是對(duì)設(shè)備的運(yùn)行變化能快速識(shí)別；二是特征參數(shù)需伴隨設(shè)備的工作進(jìn)程有規(guī)律的變化。（3）狀態(tài)識(shí)別狀態(tài)識(shí)別時(shí)診斷的重要一步，故障診斷從概念上可以通俗的理解為故障分類，

圖 1-3 故障診斷中神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)目前已經(jīng)有大量的科研人員對(duì)于神經(jīng)網(wǎng)絡(luò)應(yīng)用在各個(gè)領(lǐng)域的機(jī)械設(shè)備的故障診斷上。從一些研究結(jié)果可以看出，神經(jīng)網(wǎng)絡(luò)在故障診斷方面有長(zhǎng)處，也具有不足之處，它在并行計(jì)算、智能分類、學(xué)習(xí)等方面上具有較強(qiáng)的優(yōu)勢(shì)，但是也存在著網(wǎng)絡(luò)結(jié)構(gòu)的無(wú)法精確核定、診斷效率不高效、訓(xùn)練樣本不好抉擇等問(wèn)題。提出這些的復(fù)雜問(wèn)題，人們也不斷的在進(jìn)行探索，一種方法就是不將神經(jīng)網(wǎng)絡(luò)單獨(dú)的進(jìn)行使用，而是使其通過(guò)與其他方法相結(jié)合的形式對(duì)其進(jìn)行改造和優(yōu)化，嘗試對(duì)神經(jīng)網(wǎng)絡(luò)的性能及故障診斷效率進(jìn)行提高，針對(duì)實(shí)際問(wèn)題改善網(wǎng)絡(luò)自身的不足，例如利用遺傳算法等理論進(jìn)行對(duì)網(wǎng)絡(luò)的一種優(yōu)化。1.5 論文主要工作本文針對(duì)往復(fù)式壓縮機(jī)氣閥閥蓋上采取的 4 種氣閥運(yùn)行狀態(tài)的加速度振動(dòng)信號(hào)，通過(guò)進(jìn)行 Hilbert-Huang 變換等一系列的信號(hào)處理，提取其中相應(yīng)信號(hào)的故障特征；再利用以粒子群算法為基礎(chǔ)的一種遺傳-粒子群算法代替 BP 神經(jīng)網(wǎng)絡(luò)原有
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王滿;潘樹林;廣柯平;歐勝芳;;循環(huán)壓縮機(jī)氣閥功耗的工程計(jì)算與應(yīng)用[J];石油化工設(shè)備技術(shù);2016年05期

2 張波;邵合生;趙輝;;3SVL500型壓縮機(jī)氣閥故障原因分析及改進(jìn)措施[J];中國(guó)設(shè)備工程;2012年12期

3 趙質(zhì)良;陳學(xué)峰;程明;;壓縮機(jī)氣閥故障診斷[J];裝備制造技術(shù);2010年10期

4 丁生華;瞿宜鴻;;活塞壓縮機(jī)氣閥的研究與發(fā)展方向[J];甘肅科技縱橫;2009年02期

5 孫品同;于宏志;柴立平;;循環(huán)壓縮機(jī)氣閥能量損失研究[J];通用機(jī)械;2006年08期

6 曾明星,胡院生,王逸;應(yīng)用統(tǒng)計(jì)分析法優(yōu)化H_(22)Ⅲ壓縮機(jī)氣閥管理[J];中國(guó)設(shè)備工程;2004年08期

7 張鐵嶺;壓縮機(jī)氣閥結(jié)構(gòu)的改進(jìn)[J];林業(yè)機(jī)械與木工設(shè)備;2004年06期

8 田樹杰,李國(guó)印,韓俊彥;2Z-3/8型空氣壓縮機(jī)氣閥壓蓋的改造[J];河南化工;2003年10期

9 李樹發(fā);壓縮機(jī)氣閥泄漏及密封治理[J];潤(rùn)滑與密封;1994年01期

10 陳宏斌;車用空氣壓縮機(jī)氣閥的試驗(yàn)研究[J];汽車技術(shù);1987年07期

相關(guān)博士學(xué)位論文 前1條

1 趙俊龍;往復(fù)式壓縮機(jī)振動(dòng)信號(hào)特征分析及故障診斷方法研究[D];大連理工大學(xué);2010年

相關(guān)碩士學(xué)位論文 前10條

1 謝昭靈;基于HHT和BP神經(jīng)網(wǎng)絡(luò)的壓縮機(jī)氣閥故障診斷研究[D];電子科技大學(xué);2018年

2 趙鐵;往復(fù)式壓縮機(jī)氣閥故障診斷的實(shí)驗(yàn)研究[D];西北工業(yè)大學(xué);2003年

3 孫博雅;往復(fù)式壓縮機(jī)氣閥智能故障診斷系統(tǒng)研究[D];大連理工大學(xué);2009年

4 李旭朋;往復(fù)式壓縮機(jī)氣閥故障診斷的小波包分析方法[D];北京化工大學(xué);2008年

5 隋國(guó)亮;基于CFD往復(fù)式壓縮機(jī)氣閥的特性分析[D];沈陽(yáng)工業(yè)大學(xué);2013年

6 李慶;往復(fù)式壓縮機(jī)氣閥閥片的故障分析與診斷[D];北京化工大學(xué);2008年

7 張華;基于LM-BP神經(jīng)網(wǎng)絡(luò)的多級(jí)往復(fù)式壓縮機(jī)氣閥故障診斷研究[D];東華大學(xué);2015年

8 秦強(qiáng);基于基追蹤、波形匹配和支持向量機(jī)的往復(fù)式壓縮機(jī)氣閥故障診斷研究[D];北京化工大學(xué);2011年

9 楊曉;基于形態(tài)學(xué)分形的往復(fù)式壓縮機(jī)氣閥故障診斷方法[D];北京化工大學(xué);2016年

10 譚良;活塞式壓縮機(jī)氣閥運(yùn)動(dòng)分析及性能優(yōu)化[D];大連交通大學(xué);2015年

本文編號(hào)：2861869