【摘要】：論文主要對離心壓縮機組振動故障自動監(jiān)測與智能診斷方法進行了系統(tǒng)的研究,分別對信號特征自動提取、異常檢測方法、診斷規(guī)則自動提取、智能診斷方法等方面進行了研究。在此基礎(chǔ)上,建立了離心壓縮機組智能診斷系統(tǒng),并通過實際案例檢驗了所研究方法和診斷系統(tǒng)的有效性。 論文第二章研究了基于現(xiàn)代信號分析方法的信號特征自動提取方法,重點對振動信號特征提取中的軸心軌跡自動識別方法進行了研究,提出了基于圖像處理方法和小波神經(jīng)網(wǎng)絡(luò)的軸心軌跡自動識別方法,同時利用Hilbert-Huang變換方法對弱振動信號特征提取方法進行了研究,取得了很好的效果。 論文第三章針對大型離心壓縮機組故障類型和故障征兆之間不是一一對應(yīng)的,存在著非線性映射特征。而現(xiàn)有的故障診斷方法中,難于滿足大型離心壓縮機組的動態(tài)故障診斷和對于故障的智能化診斷的需要問題,研究了基于神經(jīng)網(wǎng)絡(luò)的智能診斷方法。通過分析神經(jīng)網(wǎng)絡(luò)對離心壓縮機組故障分類的有效性,為了提高故障診斷的有效性和準確性,提出了基于自組織神經(jīng)網(wǎng)絡(luò)的故障自動分類方法。通過對實際信號的分析,驗證了方法的有效性。 論文第四章在離心壓縮機組異常檢測這個故障診斷的重要內(nèi)容進行了研究,針對壓縮機組振動信號異常狀態(tài)的復(fù)雜性,提出了把改進型反面選擇算法應(yīng)用于壓縮機組振動故障的檢測,,建立了壓縮機組振動異常狀態(tài)檢測器,實現(xiàn)了高效、快速的壓縮機組振動異常檢測,并通過實際案例進行了驗證。 論文第五章針對壓縮機組智能診斷中的信息冗余問題,提出了一種基于粗糙集的知識約簡方法,通過對實際案例的應(yīng)用,證明了該方法可以大幅度的簡化診斷的知識結(jié)構(gòu),大大提高了診斷效率。 論文第六章綜合前幾章所研究的方法,建立了離心壓縮機組振動智能診斷系統(tǒng),并應(yīng)用于現(xiàn)場壓縮機組故障診斷中。該章主要研究了壓縮機組智能診斷系統(tǒng)的結(jié)構(gòu)框架設(shè)計,壓縮機組智能診斷專家系統(tǒng)的實現(xiàn)等方面的問題,該章最后通過實際的診斷案例分析,證明了利用人工智能診斷方法是實現(xiàn)壓縮機組智能診斷的有效途徑。 本論文對離心壓縮機組智能診斷技術(shù)進行了系統(tǒng)研究,對于各章所提出的方法,在每章最后均利用仿真和實際信號進行了驗證,而在最后一章,更是通過多個現(xiàn)場實際案例對智能診斷系統(tǒng)進行了驗證。
【學(xué)位授予單位】：大慶石油學(xué)院
【學(xué)位級別】：博士
【學(xué)位授予年份】：2005
【分類號】：TH452
【圖文】：

2， ，T）為網(wǎng)絡(luò)的輸入，h(j,t)為第 t 個輸入神經(jīng)元到)()()(,)(ajtbjhjth = ），w(m,j)為隱層第 j 個神經(jīng)元到輸出層第m=1，2， ，M）為網(wǎng)絡(luò)的輸出。 的 期 望 輸 出 ， 則 網(wǎng) 絡(luò) 第 m 個 輸 出 神 經(jīng) 元 與 期 望 輸t(m)。網(wǎng)絡(luò)的訓(xùn)練分為 q 輪，每一輪對 n 個輸入矢量進行訓(xùn)練，∑=Mmem12()21， 每 一 輪 的 總 誤 差 ∑==niTEErrori1( )。 設(shè)t′則網(wǎng)絡(luò)學(xué)習(xí)步長表示如下：)2()cos(1.75)exp(21 1teoutxttniTt′∑∑×′××′× = =圖 2-1 小波神經(jīng)網(wǎng)絡(luò)Fig.2-1 Wavelet NN

=+++()sin()sin(211221122ωβωβytBtBt1A ，1α 和2A ，2α 分別為 x (t)的一倍頻分量，2β 分別為 y (t)的一倍頻分量和二倍頻分量的2α ，1B ，1β ，2B ，2β 變化時，基本上可以，如圖 2－4 至圖 2－6 所示。利用所生成的軸樣本進行分類。圓lipse圖 2-Fig. 2-

一： 建立一個如圖 2-8 的時間域信號 ，其中包括分段不同頻率信號，通過如上敘述的波，可以很清楚的看出，Hilbert-Huang 變換很好的將原信號的不同時間段和不同頻率、的表現(xiàn)出原信號各頻率和時間的變化其中圖 2-8 為原始時間信號，圖 2-9 為 Huang 變換圖2-8 原始信號Figure2-8 original signal圖2-7 EMD 尺度分解結(jié)構(gòu)Figure 2-7 EMD mode decomposion

【引證文獻】

中國期刊全文數(shù)據(jù)庫 前1條

1 黃敏;張芳;;振動故障診斷的Petri網(wǎng)模型及系統(tǒng)實現(xiàn)[J];計算機工程;2011年06期

中國博士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 王一飛;離心式冷水機組智能故障診斷系統(tǒng)的研究與開發(fā)[D];天津大學(xué);2010年

中國碩士學(xué)位論文全文數(shù)據(jù)庫 前1條

1 嚴若壘;機組群監(jiān)測技術(shù)及其系統(tǒng)研究[D];湖南大學(xué);2008年

本文編號：2825301