基于人工神经网络水泵故障诊断技术研究.docVIP

基于人工神经网络水泵故障诊断技术研究 　　摘 要:随着生产的发展,水泵等旋转机械故障诊断技术的重要性越来越受到人们的重视。传统的诊断技术和理论方法对于具有多故障、多过程和突发性故障的现代化机械设备往往显示出较大的局限性,从而使机械故障诊断陷入了某些困境。为了克服这些缺点,就人工神经网络理论在水泵故障诊断技术中的应用进行了系统而深入地研究。? 　　关键词:人工神经网络;故障诊断;水泵? 　　中图分类号:TU 　　文献标识码:A 　　文章编号:1672-3198(2010)04-0295-02?? 　　1 人工神经网络理论应用于水泵故障诊断研究的理论意义? 　　采用人工神经网络(ANN)技术解决机械故障诊断问题的主要着眼点在于:? 　　(1)ANN的大规模分布式并行处理能力,适于解决复杂的诊断问题。? 　　(2)ANN具有较强的非线性处理能力,适宜于解决故障诊断中复杂的非线性模式识别问题。? 　　(3)ANN具有任意复杂映射的强有力的逼近能力,适宜于解决故障领域中的预测与控制问题。? 　　水泵工作故障往往表现为工作平稳性恶化、振动加剧以及噪声增大,这往往又是衡量机器制造质量和工作性能的重要指标。本文以某型号离心泵为对象,通过测取故障振动信号来进行故障诊断。? 　　水泵转子由于制造误差、装配不当或在不适当的条件(载荷、润滑等)下使用,常会发生以下故障:①转子不平衡;②不对中;③油膜涡动。而这些故障将会使轴承的旋转精度降低,产生振动、噪声,增加轴承旋转的阻力,最终将使轴承受到阻滞或卡死,造成整个工业系统的失效。振动中不平衡、不对中以及油膜涡动占整个故障发生率的80%。因此对上述故障进行诊断具有非常重要的意义。? 　　神经网络之所以适合于故障诊断,是因为神经网络具有以下优越性:自组织和自学习能力可以根据对象的正常历史数据训练神经网络,然后将此信息与当前测量数据进行比较,以确定故障;联想记忆神经网络具有滤出噪声及在有噪声情况下得出正确结论的能力,可以训练神经网络来识别故障信息,使其能在噪声环境中有效地工作,这种滤除噪声的能力使得神经网络适合在线故障检测和诊断;非线性映射能力神经网络对于高维空间模式识别和非线性模式识别问题的分类精度高,具有分辨故障原因及类型的能力,这为实现故障诊断奠定了基础。因此,神经网络理论在故障诊断领域显示出了极大的应用潜力。本文将新兴的神经网络理论应用于水泵的故障诊断和状态检测,以某型号水泵的实测数据为例,对神经网络模型进行训练分析,取得了令人满意的结果,具有实际应用价值。? 　　2 人工神经网络应用于水泵故障诊断技术的实现? 　　2.1 样本数据的获取? 　　实验采用便携式Dasylab测试系统进行测试,在现场对三种故障进行模拟,将数据信号存储在磁盘中,得到水泵三种故障:(1)转子不平衡;(2)转子不对中; (3)油膜涡动的时域曲线和频域曲线。对各个故障的频域曲线,提取了五个不同频率的幅值作为描述水泵故障的特征值,并把这组特征值作为输入量。? 　　2.2 特征提取? 　　要从样本中提取对诊断故障贡献大的有用信息,这一工作就是特征提取。特征提取就是利用已有特征参数构造一个较低维数的特征空间,将原始特征中蕴含的有用信息映射到少数几个特征上,忽略多余的不相干的信息,从数学意义上讲,就是对一个?n维向量X=[x?1.x?2,…,x?n]?T进行降维变换成低维向量Y=[y?1,y?2,…,y?n]?T,mn,其中Y含有向量X?的主要特征。? 　　由于水泵设备总是运行在噪声、电磁干扰等环境中,在振动信号分析与处理方法中,常用快速傅立叶(FFT)变换对振动信号进行频谱分析。? 　　2.3 样本数据的预处理? 　　原始样本数据不宜直接作为神经网络输入,那会使网络连接权值相差极大,使网络输出性能变得不稳定。因此在输入网络前通常需要将数据进行预处理。为了一开始就使各变量的重要性处于同等地位,神经网络学习和测试时要对提取的数据进行归一化处理,即:令? 　　?x′?i=x?i-x???min??x???max??-x???min??(1.1)? 　　x?i――不同频率下的幅值? 　　x???min??――最小幅值x???min??=?min?(x?i)? 　　x???max??――最大幅值x???max??=?max?(x?i)?? 　　这样,网络所有输入都在[0, 1]内。? 　　2.4 水泵故障诊断神经网络模型结构? 　　由于故障机理(故障征兆和故障原因之间的关系)往往隐含于故障实例之中,通过一些故障实例(称为故障样本)对神经网络进行训练学习,可以建立起系统的故障诊断模型,而故障诊断的推理规则隐含于神经网络的网络拓扑结构和网络权值之中。? 　　多层前馈神经网络的输入和输出之间的关系,可以看成是一种映射关系,这种映射是一个高度非线性映