基于神经网络的机械故障诊断技术的研究

《基于神经网络的机械故障诊断技术的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、分类号：学校代码：10426密级：学号：2013040003硕士学位论文MASTERDEGREETHESIS基于神经网络的机械故障诊断技术的研究作者：高芮指导教师：刘中冬学科专业：控制科学与工程专业代码：081100研究方向：检测技术与自动化装置2016年6月8日基于神经网络的机械故瞎诊斬技术的研究学巧论文巧巧円期：ｎｏｗ作４Ｗ２０ｔ：指导教师签宁：弁冬’化倍料妾员会錦（］；達，Ａ＾＿妈哀—青岛科技大学研究生学位论文摘要随着机械设备复杂程度和自动化水平的提高，机械设备故障诊断的重要性日益显著，而选择合适的诊断方法对于诊断结果是否精确至关重要。在智

2、能故障诊断技术的研究中，小波分析和神经网络技术都是热点研究内容，也是研究的前沿。本文首先对故障诊断技术的研究内容及研究意义进行了阐述，介绍了故障诊断主要的方法及步骤，通过对机械故障振动信号的引入，对故障时振动的时域和频域的信号进行分析。接着介绍了基于神经网络的故障诊断技术的基本特征和性质，以及神经网络的主要类型，分析了神经网络作为一种新型技术的优点。其次，详细介绍了RBF网络，并将RBF神经网络与BP网络进行对比。由于RBF网络的预测精度要大于BP神经网络，同时RBF网络的训练时间明显小于BP网络，在故障诊断中显示出更大的优势。通过对各种理论基础的分析与比较，为后面的工作提供理论基

3、础。由于小波变换不具备时移不变性，针对小波分析的不足，本文提出了多分辨率分析和小波固定时间基分析。以船用空气压缩机为例，对空气压缩机运行中的振动信号进行了研究，并对往复式压缩机的气阀振动信号进行了采集，得到相应测量数据。通过Labview平台基于小波固定时间基分析得到的实验数据，作为神经网络的输入样本。最后通过RBF神经网络对空气压缩机进行故障诊断。小波固定时间基分析有效地剔除了压缩机气阀故障信号中的冗余,降低了神经网络的输入维数,改善网络的收敛性能,从而减少了网络的训练时间,避免网络陷入局部极小。最终通过仿真实验证实了基于小波固定时间基分析和神经网络用于故障诊断的正确性和有效性。

4、关键词：机械故障诊断RBF神经网络小波理论固定时间基空气压缩机I基于神经网络的机械故障诊断技术的研究RESEARCHONMECHANICALFAULTDIAGNOSISBASEDONNEURALNETWORKABSTRACTWiththeimprovementofmechanicalequipmentcomplexityandautomationlevel，theimportanceofmechanicalequipmentfaultdiagnosisisbecomingmoreandmoresignificant，Itisveryimportanttochoosetheappro

5、priatediagnosticmethodforthediagnosis.Inthestudyofintelligentfaultdiagnosistechnology，waveletanalysisandneuralnetworktechnologyisahotspotandfrontiersintheresearchcontent.Firstly，theresearchcontentandsignificanceoffaultdiagnosistechnologyareexpounded，andthemainmethodsandstepsoffaultdiagnosisare

6、introducedinthispaper.Throughtheintroductionofmechanicalfaultvibrationsignal，thesignalintimedomainandfrequencydomainisanalyzed，thenintroducesthebasicfeaturesandpropertiesofthefaultdiagnosistechnologybasedonneuralnetwork,andthemaintypesoftheneuralnetwork，andanalyzestheadvantagesofneuralnetworka

7、sanewtechnology.Secondly，thearticledescribestheRBFnetworkindetail.andtheRBFneuralnetworkandBPnetworkforcomparison.BecausethepredictionaccuracyofRBFnetworkislargerthanthatofBPneuralnetwork,thetrainingofRBFnetworkisobviouslyfasterthanthat