基于RBF神经网络的故障诊断-控制理论与控制工程专业论文.docxVIP

江苏大学硕士研究生毕业论文 摘 要 石油钻井是一种连续的作业过程，一旦发生故障将会带来严重的经济损失。 钻井设备属于大型设备，有许多传动机构，易发生故障的部件主要是传动滚动轴 承。本文针对油田钻井设备滚动轴承的故障诊断和预测进行了研究，可用于预防 事故的发生。 滚动轴承的振动信号是非平稳信号，用常规方法难以从振动信号中提取有效 故障特征信息。本文采用小波变换理论对滚动轴承振动信号进行数据分析处理， 结合RBF神经网络进行故障诊断，取得了良好的诊断效果。 由于在油田工地现场采集的振动信号数据中背景噪声很大，直接进行特征提 取，难以有效地将振动信号中的故障特征信息提取出来。本文分析总结了几种小 波消噪阈值的选取方法，采用小波消噪对振动信号进行消噪预处理，有效地消除 了背景噪声对滚动轴承振动信号的干扰，提高了信噪比。根据轴承振动信号??特 点，研究了小波熵从振动信号中提取故障信息的方法，并用该方法对现场采集的 三种工况下的振动信号数据进行了分析研究。结果表明，振动信号特征提取的小 波熵方法，能有效地将隐含在振动信号中的故障特征提取出来。 在特征提取的基础上，进一步采用k—means聚类算法的RBF神经网络，将 采用小波熵方法提取出来的特征向量作为RBF神经网络的输入，对所提取的特 征向量进行分类，从而得出轴承的工作状态。故障诊断统计结果表明，k—means 聚类算法的RBF神经网络故障