發(fā)布時(shí)間：2017-09-08 19:02

  本文關(guān)鍵詞：基于小波包與改進(jìn)DE-ELM的汽輪機(jī)振動(dòng)故障診斷研究

  更多相關(guān)文章： 振動(dòng)故障 最優(yōu)小波包基 “小波包-能量譜” IMDE-ELM分類(lèi)器

【摘要】：汽輪機(jī)是發(fā)電廠(chǎng)在生產(chǎn)過(guò)程中的重要部件,主要被用作生產(chǎn)過(guò)程中的熱力發(fā)動(dòng)機(jī),將煤燃燒后獲得的熱能轉(zhuǎn)換成為旋轉(zhuǎn)部件的機(jī)械能、進(jìn)而經(jīng)發(fā)電機(jī)轉(zhuǎn)換成為電能。其高效且穩(wěn)定的工作是電廠(chǎng)中經(jīng)濟(jì)生產(chǎn)的重中之重。伴隨著電廠(chǎng)設(shè)備不斷地向大機(jī)組、高參數(shù)的方向去發(fā)展,設(shè)備的復(fù)雜程度與自動(dòng)化水平也日益增高。因此,為確保設(shè)備安全運(yùn)轉(zhuǎn),降低安全費(fèi)用,提高設(shè)備使用率,必須采取有效的方法對(duì)汽輪機(jī)組進(jìn)行狀態(tài)檢測(cè)與故障診斷。本文采用小波包分析的方法,對(duì)于汽輪機(jī)的振動(dòng)信號(hào)包含大量的突變和短時(shí)沖擊成分的特點(diǎn)對(duì)典型的去噪方法實(shí)施改進(jìn),采用基于Shannon熵的最優(yōu)小波包結(jié)合不同的頻段閾值選取的方式對(duì)振動(dòng)信號(hào)進(jìn)行去噪處理,取得了良好的效果。并利用“小波包—能量譜”的方法對(duì)去噪后的信號(hào)進(jìn)行了分解,并把各個(gè)頻段的節(jié)點(diǎn)單獨(dú)的進(jìn)行重構(gòu)獲得重構(gòu)數(shù)據(jù)的能量,并進(jìn)行歸一化處理得到振動(dòng)信號(hào)的振動(dòng)征兆,構(gòu)建出汽輪機(jī)振動(dòng)故障的特征。極限學(xué)習(xí)機(jī)相比其他的分類(lèi)網(wǎng)絡(luò)具有速度快且泛化能力好的優(yōu)勢(shì),但它的輸入權(quán)值與隱含層偏置是進(jìn)行隨機(jī)選取的,并不能確保其最優(yōu),所以利用改進(jìn)后差分進(jìn)化算法(IMDE)的整體搜索與快速進(jìn)化的優(yōu)點(diǎn),對(duì)極限學(xué)習(xí)機(jī)進(jìn)行了優(yōu)化,設(shè)計(jì)了IMDE-ELM分類(lèi)器。依據(jù)汽輪機(jī)的振動(dòng)故障特征表采用IMDE-ELM分類(lèi)器模型對(duì)汽輪機(jī)的振動(dòng)狀態(tài)進(jìn)行訓(xùn)練與識(shí)別。通過(guò)Matlab軟件進(jìn)行程序的編寫(xiě),并對(duì)診斷結(jié)果加以仿真對(duì)比。仿真結(jié)果表明：IMDE-ELM模型的診斷速度相比其他模型更快,且診斷精度可以達(dá)到100%。該模型可以被用作汽輪機(jī)振動(dòng)狀態(tài)的識(shí)別與分類(lèi),為汽輪機(jī)的振動(dòng)故障診斷研究提供了堅(jiān)實(shí)的理論基礎(chǔ)。
【關(guān)鍵詞】：振動(dòng)故障 最優(yōu)小波包基 “小波包-能量譜” IMDE-ELM分類(lèi)器
【學(xué)位授予單位】：東北電力大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類(lèi)號(hào)】：TM621
【目錄】：

• 摘要4-5
• Abstract5-8
• 第1章 緒論8-13
• 1.1 課題的研究背景及意義8-9
• 1.2 汽輪機(jī)振動(dòng)故障診斷研究現(xiàn)狀9-11
• 1.2.1 國(guó)外研究現(xiàn)狀9-10
• 1.2.2 國(guó)內(nèi)研究現(xiàn)狀10-11
• 1.3 本課題主要研究?jī)?nèi)容11-13
• 第2章 汽輪機(jī)常見(jiàn)振動(dòng)故障類(lèi)型及特征13-18
• 2.1 汽輪機(jī)常見(jiàn)故障分類(lèi)13-14
• 2.2 常見(jiàn)故障的機(jī)理及特征14-16
• 2.2.1 轉(zhuǎn)子不平衡故障14
• 2.2.2 轉(zhuǎn)子不對(duì)中故障14-15
• 2.2.3 油膜振蕩故障15
• 2.2.4 蒸汽渦動(dòng)故障15-16
• 2.2.5 軸承座松動(dòng)故障16
• 2.2.6 轉(zhuǎn)子徑向磨碰故障16
• 2.3 本章小結(jié)16-18
• 第3章 小波包在故障診斷中的應(yīng)用18-32
• 3.1 小波分析理論基礎(chǔ)18-19
• 3.1.1 傳統(tǒng)傅里葉分析18
• 3.1.2 小波分析理論基礎(chǔ)18-19
• 3.2 多分辨率分析19-20
• 3.3 小波包分析20-22
• 3.3.1 小波包定義20-21
• 3.3.2 小波包分解與重構(gòu)21-22
• 3.4 故障奇異點(diǎn)小波檢測(cè)22-23
• 3.5 母小波函數(shù)及其小波基的選擇23-27
• 3.5.1 母小波函數(shù)及其相應(yīng)基選擇的必要性23
• 3.5.2 常見(jiàn)小波母函數(shù)及其性質(zhì)23-26
• 3.5.3 小波(包)基的選擇26-27
• 3.6 最優(yōu)小波包基降噪27-30
• 3.6.1 傳統(tǒng)閾值的去噪方法分析27-28
• 3.6.2 最優(yōu)小波包基降噪28-30
• 3.7 小波包—能量譜法提取故障征兆30-31
• 3.8 本章小結(jié)31-32
• 第4章 IMDE-ELM故障分類(lèi)器設(shè)計(jì)32-45
• 4.1 極限學(xué)習(xí)機(jī)概述32-34
• 4.1.1 極限學(xué)習(xí)機(jī)理論32-34
• 4.1.2 極限學(xué)習(xí)機(jī)的特征34
• 4.2 差分進(jìn)化算法研究34-41
• 4.2.1 差分進(jìn)化算法簡(jiǎn)介34-36
• 4.2.2 差分進(jìn)化算法的改進(jìn)36-38
• 4.2.3 改進(jìn)后差分進(jìn)化算法的優(yōu)勢(shì)38-41
• 4.3 基于改進(jìn)差分進(jìn)化算法優(yōu)化的極限學(xué)習(xí)機(jī)41-43
• 4.3.1 極限學(xué)習(xí)機(jī)存在的問(wèn)題41
• 4.3.2 IMDE-ELM及其步驟與流程41-43
• 4.4 IMDE-ELM的實(shí)驗(yàn)驗(yàn)證43-44
• 4.5 本章小結(jié)44-45
• 第5章 基于小波包與IMDE-ELM的汽輪機(jī)振動(dòng)故障診斷45-51
• 5.1 仿真信號(hào)的獲取與驗(yàn)證45-46
• 5.2 振動(dòng)信號(hào)預(yù)處理46-47
• 5.3 故障信號(hào)的特征提取47-48
• 5.4 故障信號(hào)的訓(xùn)練與識(shí)別48-50
• 5.5 診斷結(jié)果分析50
• 5.6 本章小結(jié)50-51
• 結(jié)論51-52
• 參考文獻(xiàn)52-56
• 攻讀碩士學(xué)位期間發(fā)表的論文及其它成果56-59
• 致謝59

【相似文獻(xiàn)】

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前1條

1 遲警;基于小波包與改進(jìn)DE-ELM的汽輪機(jī)振動(dòng)故障診斷研究[D];東北電力大學(xué);2016年

，

本文編號(hào)：815751