基于集成和神经网络的风机故障诊断系统的研究.docVIP

基于集成神经网络的风机故障诊断系统的研究 牛小玲/中国矿业大学信电学院 摘要：利用集成神经网络建立了风机故障的智能诊断系统。该系统在设备异常后进行诊断，通过运行和诊断实例得出了故障诊断结果。 关键词：通风机 故障诊断 集成神经网络 中图分类号：TP206+.3 文献标识码：B 文章编号：1006-8155（2007）03-0077-04 Research on Trouble Diagnosis System of Fan Based on Integrated Neural Network Abstract: The intelligence trouble diagnosis system for fan was established by integrated neural network. Through running and diagnosis example, the result of trouble diagnosis was obtained after the device is abnormal diagnosed. Key Words: fan trouble diagnosis I ntegrated neural network 0 引言 风机性能的动态监测，国内外已经有一批相当成熟的监测系统，而对于故障诊断，则由于风机的故障形式多种多样，故障产生的机理和原因也非常复杂，故障与征兆之间缺乏明显的对应关系，现场诊断比较困难等原因，直至目前仍在发展之中。近年来兴起的人工神经网络，特别是BP网络以其良好的模式分类能力，在故障诊断中得到了广泛应用。笔者设计的集成神经网络组成的风机故障诊断系统，虽然只是一个雏形结构，但经模拟测试具有一定的实际应用价值。 1　风机故障诊断系统框图 风机故障诊断系统如图1所示。系统采用集成神经网络结构，是整个系统智能化核心。它由3部分组成：信息分配网络完成信号向各诊断子网分配；诊断子网用来诊断故障, 风机工作系统主要由风机和电机两部分组成，因此诊断网络也分为两大部分，来自这两部分的信号由信息分配网络完成定位；融合决策网络接收诊断子网的结论，进行决策融合处理给出最终结论。 图1　风机故障诊断系统框图 2　风机故障诊断系统模型 2.1 风机故障特征向量的选取 表1　风机主要故障的振动特征表 故障 特征 特征频率 常伴频率 相位 特征 轴心 轨迹 振动方向 进动 方向 振动随转速变化 振动随负荷变化 振动随油温变化 振动随流量变化 振动随压力变化 转子不平衡 1× — 稳定 椭圆 径向 正动向 明显 不明显 不变 不变 不变 转子不对中 2× 1×, 3× 较稳定 双环 椭圆 径向 轴向 正动向 明显 不明显 有影响 有影响 有影响 油膜振荡 ＜1/2ω0 (0.43) 组合频率 不稳定 扩散不规则 径向 正进动 振后升高转速振动不变 不明显 明显 不变 不变 旋转失速 ws及Ω-ws的成对次谐波 组合频率 不稳定 杂乱 径向 轴向 正进动 明显 很明显 不变 很明显 变化 喘振 超低频(0.5~20Hz) 1× 不稳定 紊乱 径向 正进动 改变 改变 改变 明显改变 明显改变 转子局部碰摩 1/nω0 nω0 1ω0 反向移动 紊乱 径向 正动向 不明显 不明显 不变 不变 不变 该系统主要利用振动信号对风机进行诊断。当风机出现故障时，其振动信号及工艺参数信号必然呈现出相应的征兆。表1列出了风机主要故障的振动特征及其敏感参数[1]。选择表中的10种故障特征参数作为故障识别的信息。这10种故障特征参数又分为3类：4种振动特征（相位特征、轴心轨迹、振动方向和进动方向）、5种敏感参数（转速、负荷、油温、流量和压力）、9种频率结构（0.01~0.39、0.4~0.49、0.5、0.51~0.99、、2、3~5、奇数倍、5）。 2.2 故障诊断模型的建立 集成神经网络由3个诊断子网组成，每个子网都采用3层结构：输入层-隐含层-输出层。子网NN1为单类型网络，以振动信号频谱的9个频段上的不同频率的谱的谱峰能量值作为特征量；NN2和NN3为融合网络，NN2以转速、负荷、温度、流量和压力为输入；NN3以相位特征、轴心轨迹、振动方向和进动方向为输入，3个子网的输出节点均为6，对应系统诊断的6种故障模型。迄今为止，确定隐层节点数多采用经验公式。设输入节点数为n，输出节点数为m，隐层节点数为p，大致有5种方法可确定p: （1）为输入样本中模式的个数减1；　　　　　　 （2）； （3） (r为1～10间的任意整数)；　 （4）； （5） n≥m