【摘要】：中頻冶煉技術(shù)近年來(lái)作為一門(mén)新興技術(shù),在淬火、熔煉、透熱工業(yè)領(lǐng)域中得到廣泛運(yùn)用。隨著現(xiàn)代集成化感應(yīng)加熱技術(shù)日益趨于成熟,中頻冶煉自動(dòng)化水平的不斷提高,中頻冶煉系統(tǒng)的可靠、穩(wěn)定、安全運(yùn)行也越來(lái)越重要。 本文主要是通過(guò)對(duì)中頻冶煉系統(tǒng)主電路電壓信號(hào)進(jìn)行監(jiān)測(cè)從而實(shí)現(xiàn)對(duì)變頻器短路故障進(jìn)行智能故障診斷的研究。發(fā)生短路故障的變頻器電壓信號(hào)是非平穩(wěn)隨機(jī)信號(hào),以往的傅里葉變換難以滿足故障特征向量提取要求,并且建立變頻器故障數(shù)學(xué)模型比較復(fù)雜,基于以上原因本文提出了基于小波包變換和PSO神經(jīng)網(wǎng)絡(luò)的中頻冶煉故障診斷方法,通過(guò)小波包提取故障特征向量,利用PSO神經(jīng)網(wǎng)絡(luò)進(jìn)行故障識(shí)別,并輸出系統(tǒng)相應(yīng)故障類型。 該故障診斷方法首先是通過(guò)利用MATLAB軟件對(duì)中頻冶煉主電路進(jìn)行建模、仿真,模擬了主電路中晶閘管開(kāi)路故障,獲得了相應(yīng)的故障波形。其次,當(dāng)一個(gè)系統(tǒng)或電路發(fā)生故障時(shí),測(cè)試點(diǎn)測(cè)得的電壓或電流與正常情況下相同頻帶內(nèi)能量值是不一樣的,根據(jù)能量守恒定律,某一頻帶能量低,另一頻帶能量值可能就高,信號(hào)每個(gè)頻帶的能量值是體現(xiàn)故障狀態(tài)一個(gè)有效信息。本文使用的小波包算法就是對(duì)信號(hào)進(jìn)行系數(shù)分解,得到一組能量形式的故障特征向量;最后,本文主要對(duì)變頻器三大類短路故障狀態(tài)進(jìn)行測(cè)試:無(wú)故障,一只晶閘管短路故障、兩只晶閘管短路故障,設(shè)計(jì)了相應(yīng)的故障信號(hào)采集系統(tǒng)和試驗(yàn)方案,利用已經(jīng)得到的特征向量和三大類故障狀態(tài)設(shè)計(jì)并訓(xùn)練PSO神經(jīng)網(wǎng)絡(luò)。通過(guò)MATLAB平臺(tái)實(shí)現(xiàn)相應(yīng)的算法。 本文主要是通過(guò)仿真實(shí)驗(yàn)驗(yàn)證相應(yīng)故障診斷算法的準(zhǔn)確性和有效性。通過(guò)仿真模擬故障信號(hào),再對(duì)信號(hào)分別進(jìn)行采集和測(cè)試,使用小波包算法對(duì)故障信號(hào)進(jìn)行特征提取得到故障特征向量;利用已知故障類型的樣本對(duì)PSO神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,然后用測(cè)試信號(hào)對(duì)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試。試驗(yàn)結(jié)果顯示輸出故障類型與實(shí)際測(cè)試信號(hào)所對(duì)應(yīng)的故障狀態(tài)一致。結(jié)果證明了基于小波包變換和PSO神經(jīng)網(wǎng)絡(luò)智能故障診斷方法對(duì)中頻冶煉這樣隨機(jī)性和模糊性很強(qiáng)的系統(tǒng)切實(shí)可行,收斂速度快準(zhǔn)確度高,減少了企業(yè)的經(jīng)濟(jì)損失,具有很大的運(yùn)用價(jià)值。
[Abstract]:As a new technology in recent years, intermediate frequency smelting technology has been widely used in quenching, smelting and heat permeation industry. With the development of modern integrated induction heating technology and the improvement of intermediate frequency smelting automation, the reliability, stability and safety of intermediate frequency smelting system are becoming more and more important. In this paper, the main circuit voltage signal of intermediate frequency smelting system is monitored to realize the intelligent fault diagnosis of inverter short circuit fault. The frequency converter voltage signal with short-circuit fault is non-stationary random signal, the former Fourier transform is difficult to meet the requirement of fault eigenvector extraction, and the mathematical model of frequency converter fault is more complex. Based on the above reasons, a fault diagnosis method for intermediate frequency smelting based on wavelet packet transform and PSO neural network is proposed in this paper. The fault feature vector is extracted by wavelet packet, the fault is identified by PSO neural network, and the corresponding fault types of the system are outputted. The method of fault diagnosis is to use MATLAB software to model and simulate the thyristor open circuit in the main circuit and obtain the corresponding fault waveform. Secondly, when a system or circuit fails, the voltage or current measured at the test point is different from the normal energy value in the same frequency band. According to the law of conservation of energy, the energy of one frequency band is low, and the energy value of another frequency band may be high. The energy value of each frequency band of the signal is an effective information to reflect the fault state. The wavelet packet algorithm used in this paper is to decompose the coefficients of the signal and obtain a set of fault eigenvector in the form of energy. Finally, this paper mainly tests three kinds of short circuit fault states of frequency converter: no fault, one thyristor short circuit fault, two thyristor short circuit fault, designed the corresponding fault signal collection system and the test scheme. The PSO neural network is designed and trained by using the obtained eigenvector and three kinds of fault states. The algorithm is implemented by MATLAB platform. In this paper, the accuracy and effectiveness of the corresponding fault diagnosis algorithm are verified by simulation experiments. Through simulating the fault signal, the signal is collected and tested, and the fault feature vector is obtained by using wavelet packet algorithm to extract the fault signal. The PSO neural network is trained with the samples of known fault types, and the trained neural networks are tested with test signals. The test results show that the output fault type is consistent with the corresponding fault state of the actual test signal. The results show that the intelligent fault diagnosis method based on wavelet packet transform and PSO neural network is feasible for the system with strong randomness and fuzziness, and the convergence speed is fast and the accuracy is high, and the economic loss of the enterprise is reduced. It has great application value.
【學(xué)位授予單位】：河北科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2011
【分類號(hào)】：TH165.3

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 佟錚;張友鵬;;基于BP神經(jīng)網(wǎng)絡(luò)的機(jī)車輪對(duì)故障診斷系統(tǒng)研究[J];鐵路技術(shù)創(chuàng)新;2009年01期

2 黃蓮花;李光明;;神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)融合在車用傳感器中的應(yīng)用[J];裝備制造技術(shù);2011年08期

3 景利學(xué);蘇宏升;謝明軍;冉鵬程;;電壓型BUCK變換器控制策略研究[J];電氣傳動(dòng)自動(dòng)化;2011年04期

4 姜平;黃志鵬;;基于神經(jīng)網(wǎng)絡(luò)的公交客流預(yù)測(cè)[J];交通標(biāo)準(zhǔn)化;2008年13期

5 尹駿暉;李伶;杜青;;基于神經(jīng)網(wǎng)絡(luò)和柔度曲率的簡(jiǎn)支梁損傷識(shí)別[J];山西建筑;2011年21期

6 孫海龍;馮超;匙瑞堂;;滾動(dòng)軸承狀態(tài)監(jiān)測(cè)[J];工業(yè)設(shè)計(jì);2011年05期

7 楊鶴年;;機(jī)電一體化系統(tǒng)中的智能控制技術(shù)[J];煤炭技術(shù);2011年07期

8 許杰;程錦房;何光進(jìn);;一種基于艦船磁場(chǎng)的神經(jīng)網(wǎng)絡(luò)識(shí)別模型[J];船電技術(shù);2011年09期

9 蒯松巖;吳濤;代尚方;張旭隆;;基于RBF的無(wú)位置開(kāi)關(guān)磁阻電機(jī)控制系統(tǒng)[J];電力電子技術(shù);2011年07期

10 張赫;王煒;劉瑩瑩;;神經(jīng)網(wǎng)絡(luò)在交通流信息融合中的應(yīng)用[J];武漢理工大學(xué)學(xué)報(bào)(交通科學(xué)與工程版);2011年04期

相關(guān)會(huì)議論文 前10條

1 曹波偉;薛青;牛金濤;龔長(zhǎng)虹;劉磊;;基于神經(jīng)網(wǎng)絡(luò)和專家系統(tǒng)的裝備智能故障診斷的研究[A];中國(guó)自動(dòng)化學(xué)會(huì)控制理論專業(yè)委員會(huì)C卷[C];2011年

2 侯艷芳;馮紅梅;;基于神經(jīng)網(wǎng)絡(luò)的調(diào)制識(shí)別算法的研究[A];武漢(南方九省)電工理論學(xué)會(huì)第22屆學(xué)術(shù)年會(huì)、河南省電工技術(shù)學(xué)會(huì)年會(huì)論文集[C];2010年

3 沈建榮;楊林泉;陳琳;;神經(jīng)網(wǎng)絡(luò)的穩(wěn)定性判據(jù)與區(qū)域經(jīng)濟(jì)結(jié)構(gòu)調(diào)整[A];系統(tǒng)工程與可持續(xù)發(fā)展戰(zhàn)略——中國(guó)系統(tǒng)工程學(xué)會(huì)第十屆年會(huì)論文集[C];1998年

4 石山銘;李富蘭;丁俊麗;;神經(jīng)網(wǎng)絡(luò)的知識(shí)獲取[A];全國(guó)青年管理科學(xué)與系統(tǒng)科學(xué)論文集（第1卷）[C];1991年

5 吳清烈;徐南榮;;基于神經(jīng)網(wǎng)絡(luò)的一種多目標(biāo)決策方法[A];復(fù)雜巨系統(tǒng)理論·方法·應(yīng)用——中國(guó)系統(tǒng)工程學(xué)會(huì)第八屆學(xué)術(shù)年會(huì)論文集[C];1994年

6 李曉鐘;汪培莊;羅承忠;;神經(jīng)網(wǎng)絡(luò)與模糊邏輯[A];中國(guó)系統(tǒng)工程學(xué)會(huì)模糊數(shù)學(xué)與模糊系統(tǒng)委員會(huì)第五屆年會(huì)論文選集[C];1990年

7 房育棟;余英林;;高階自組織映射及其學(xué)習(xí)算法[A];1995年中國(guó)控制會(huì)議論文集（上）[C];1995年

8 王曉曄;杜朝輝;呂德忠;劉建峰;;神經(jīng)網(wǎng)絡(luò)模糊控制在溫度控制系統(tǒng)中的應(yīng)用[A];1997中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];1997年

9 金龍;吳建生;;基于遺傳算法的神經(jīng)網(wǎng)絡(luò)短期氣候預(yù)測(cè)模型(摘要)[A];新世紀(jì)氣象科技創(chuàng)新與大氣科學(xué)發(fā)展——中國(guó)氣象學(xué)會(huì)2003年年會(huì)“氣候系統(tǒng)與氣候變化”分會(huì)論文集[C];2003年

10 申偉;張?jiān)?;基于MATLAB的自適應(yīng)神經(jīng)網(wǎng)絡(luò)模糊系統(tǒng)(ANFIS)的應(yīng)用[A];《制造業(yè)自動(dòng)化與網(wǎng)絡(luò)化制造》學(xué)術(shù)交流會(huì)論文集[C];2004年

相關(guān)重要報(bào)紙文章 前10條

1 記者 陳青　通訊員 孫國(guó)根;揭示神經(jīng)網(wǎng)絡(luò)形成新機(jī)制[N];文匯報(bào);2011年

2 于翔;數(shù)字神經(jīng)網(wǎng)絡(luò)中的協(xié)同應(yīng)用[N];網(wǎng)絡(luò)世界;2009年

3 健康時(shí)報(bào)特約記者　 張獻(xiàn)懷;干細(xì)胞移植：修復(fù)受損的神經(jīng)網(wǎng)絡(luò)[N];健康時(shí)報(bào);2006年

4 鄒麗梅 陳耀群;江蘇科大神經(jīng)網(wǎng)絡(luò)應(yīng)用研究通過(guò)鑒定[N];中國(guó)船舶報(bào);2006年

5 記者 孫剛;“神經(jīng)網(wǎng)絡(luò)”：打開(kāi)復(fù)雜工藝“黑箱”[N];解放日?qǐng)?bào);2007年

6 本報(bào)首席記者 任荃　實(shí)習(xí)生 史博臻;軌交“神經(jīng)網(wǎng)絡(luò)”觸動(dòng)創(chuàng)新神經(jīng)[N];文匯報(bào);2011年

7 計(jì)算機(jī)世界實(shí)驗(yàn)室 韓勖;當(dāng)布線系統(tǒng)遭遇神經(jīng)網(wǎng)絡(luò)[N];計(jì)算機(jī)世界;2009年

8 曹建兵 李祖兵 特約記者 何天進(jìn) 本報(bào)記者 于莘明;給導(dǎo)彈植入“神經(jīng)網(wǎng)絡(luò)”[N];科技日?qǐng)?bào);2005年

9 譚薇;“潮濕計(jì)算機(jī)”：擁有人類智慧的超級(jí)大腦[N];第一財(cái)經(jīng)日?qǐng)?bào);2010年

10 韓婷婷;ICT強(qiáng)壯奧運(yùn)“神經(jīng)網(wǎng)絡(luò)”[N];通信產(chǎn)業(yè)報(bào);2007年

相關(guān)博士學(xué)位論文 前10條

1 劉志祥;深部開(kāi)采高階段尾砂充填體力學(xué)與非線性優(yōu)化設(shè)計(jì)[D];中南大學(xué);2005年

2 戴雪龍;PET探測(cè)器神經(jīng)網(wǎng)絡(luò)定位方法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2006年

3 馬戎;智能控制技術(shù)在煉鋼電弧爐中的應(yīng)用研究[D];西北工業(yè)大學(xué);2006年

4 文敦偉;面向多智能體和神經(jīng)網(wǎng)絡(luò)的智能控制研究[D];中南大學(xué);2001年

5 吳大宏;基于遺傳算法與神經(jīng)網(wǎng)絡(luò)的橋梁結(jié)構(gòu)健康監(jiān)測(cè)系統(tǒng)研究[D];西南交通大學(xué);2003年

6 杜文斌;基于神經(jīng)網(wǎng)絡(luò)的冠心病證候診斷標(biāo)準(zhǔn)與藥效評(píng)價(jià)模型研究[D];遼寧中醫(yī)學(xué)院;2004年

7 熊雪梅;參數(shù)化模糊遺傳神經(jīng)網(wǎng)絡(luò)及在植物病害預(yù)測(cè)的應(yīng)用[D];南京農(nóng)業(yè)大學(xué);2004年

8 李智;電站鍋爐燃燒系統(tǒng)優(yōu)化運(yùn)行與應(yīng)用研究[D];東北大學(xué);2005年

9 王承;基于神經(jīng)網(wǎng)絡(luò)的模擬電路故障診斷方法研究[D];電子科技大學(xué);2005年

10 譚陽(yáng)紅;基于小波和神經(jīng)網(wǎng)絡(luò)的大規(guī)模模擬電路故障診斷研究[D];湖南大學(xué);2005年

相關(guān)碩士學(xué)位論文 前10條

1 姜宇;發(fā)動(dòng)機(jī)裂解設(shè)備故障診斷技術(shù)的研究[D];吉林大學(xué);2012年

2 鄭紅巖;基于非高斯性分析的BP神經(jīng)網(wǎng)絡(luò)模擬電路故障診斷研究[D];解放軍信息工程大學(xué);2011年

3 楊立儒;基于神經(jīng)網(wǎng)絡(luò)的電路故障診斷的研究與實(shí)現(xiàn)[D];解放軍信息工程大學(xué);2010年

4 劉蘭蘭;基于神經(jīng)網(wǎng)絡(luò)和遺傳算法的H型鋼粗軋工藝參數(shù)優(yōu)化研究[D];山東大學(xué);2011年

5 田鵬明;基于神經(jīng)網(wǎng)絡(luò)的振動(dòng)主動(dòng)控制研究[D];太原理工大學(xué);2012年

6 邢遠(yuǎn)凱;基于決策樹(shù)和遺傳算法的神經(jīng)網(wǎng)絡(luò)研究及應(yīng)用[D];浙江大學(xué);2010年

7 高寶建;基于神經(jīng)網(wǎng)絡(luò)的月降水預(yù)報(bào)模型在洪澤湖的應(yīng)用研究[D];南京信息工程大學(xué);2012年

8 陳少華;基于Hopfield神經(jīng)網(wǎng)絡(luò)控制系統(tǒng)的研究[D];山東科技大學(xué);2010年

9 來(lái)建波;基于神經(jīng)網(wǎng)絡(luò)的路段行程時(shí)間預(yù)測(cè)研究[D];云南大學(xué);2011年

10 閆超;基于BP神經(jīng)網(wǎng)絡(luò)的煤礦深埋硐室軟巖流變參數(shù)反演分析[D];安徽理工大學(xué);2011年

，

本文編號(hào)：2420654