旋转机械状态监测及预测的集成化技术研究

《旋转机械状态监测及预测的集成化技术研究》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、北京机械工业学院硕士学位论文旋转机械状态监测及预测的集成化技术研究姓名：王少红申请学位级别：硕士专业：机械电子工程指导教师：徐小力2002.3.1北京机械工业学院硕士学位论文旋转机械状态监测及预测的集成化技术研究摘要大型旋转机械工况比较恶劣，需要对机组状态进行监测。本文第一部分对机械系统的机械动态特性进行了测试和分析，首先讨论了振动烈度的计算和标准；采用经典谱分析方法对振动信号进行频谱分析，并采用六段频率幅值自动判别技术对机组状态进行监测。采用人工智能的方法给安全生产提供科学保障，给先进的预知维护提供技

2、术支持。针对现有神经网络对时间坐标强调不够的情况，提出了新的神经网络模型：延时记忆神经网络模型。这种神经网络模型是一种开放的、能自学习的动态网络，它强调了预测模型中的新信息，充分反映了机械系统的动态特性。针对传统训练神经网络的BP算法收敛慢，容易陷入局部最小的问题，采用遗传算法和BP算法相结合的方法优化神经网络模型的结构和权值，并对传统遗传算法的遗传算子进行了改进，提高了神经网络训练质量。针对过去开发专用状态监测及趋势预测系统研制工作量较大的问题，采用基于虚拟仪器的集成化技术解决这个问题。虚拟仪器技术可

3、以实现使用相同硬件系统，通过不同的软件完成功能完全不同的各种测量，在美国M公司提供的虚拟仪器集成开发平台LabvIEw上，编制了“大型旋转机械状态监测及预测系统”应用软件。在“机械系统在线分析及趋势预示实验系统”实验样机上模拟典型机械故障，对采集的振动信号进行数据处理，比较各种频谱分析方法以及各种预测方法，同时对工业现场采集的振动信号进行数据处理，验证预测方法。关键词：旋转机械；状态监测及预测；神经网络；遗传算法；集成化技术；虚拟仪器㈡，_——j!室塑塑三些堂堕堡主堂堡堡塞ABSTRACTThework

4、jngconditjQnsof1argerota叮machjneareoftenteⅢble，sotheyneedmonitoringtheirworkingstatus．Thisdissertationdevelopedseveralwaystomoni一一tora11dpredictt11eirstatus，a11dt11eyareasf01lows：First，selectedmeleVelsofVibrationVeloci锣，specialspectrumamplitudesastllesen

5、sitiVefactorsto锄alyzetheworkingstate，a11dde：finethereleVantjudgingstandardsandmles．Presentedanewtypeofneumlnetworksmodel，thisnewneuralnetworksisaopen，selfstudieddyn眦icnetwork，whichstresst11enewinfbnTlationofpredictingmodel，and如llyrenectmedynamiccharacter

6、ofmachinerysets．CombineGeneticAlgorithmsandBack—Propagationalgorithmstooptimizethenetworks’wei曲tsaJldcollstruction．ImprovedthetraditionalGAarit№eticoperators，enhancethenetworks’trainingquality．Inthepast，deVelopingaspecialon-linemonitoringandpredictingsys

7、temcostedagreatdealoftimealldenergy，thereuseintegratingtechnologybasedonVinualInstmmentstos01vethisproblem．VirtualInstmmentscallusethesamehardware，t11roughdifferemso盘waretocompletedif艳rentwork．APCbus．basedVirtualinstmmentssystemisdevelopedbyusingLabVIEWs

8、oRwarewhichi8providedbyAmericaNationalInstmmentCo印oration．Atlast，wemadeeXperimentsonmeeXperimentalsystemwimonlineconditionmonitoring，comparedifrerentspec饥manalysismeansanddif绝rentpredictingmeanSKeyword：rotarysets；monitorin