基于神经网络和小波分析的水力机组振动故障诊断研究-水利水电工程专业论文.docxVIP

Keywords:hydroelectric setwavelet packetneural networkcharacteristic pickupwavelet de-noisefault diagnosisrecognizing make this network train successful under the circumstance that in Keywords: hydroelectric set wavelet packet neural network characteristic pickup wavelet de-noise fault diagnosis 目录 1 绪论 1 1.1 问题的提出 1 1.2 故障诊断的意义和目的 1 1.3 国内外故障诊断技术发展现状 3 1.3.1 国外诊断技术发展及应用状况 3 1.3.2 国内诊断技术发展及应用状况 3 1.3.3 国内故障诊断系统存在的差距 4 1.4 利用振动信号作状态监测与故障诊断的依据 4 1.5 研究的主要内容 5 1.5.1 故障诊断的主要内容 5 1.5.2 本文研究的主要内容 6 1.5.3 论文研究步骤 6 1.6 本章小结 7 2 水轮发电机组振动理论及故障信号的处理方法 8 2. 1 水轮发电机组振动理论 8 2.2 水轮发电机组振动故障的特点 9 2.2.1 水轮发电机组振动的复杂性 9 2.2.2 水轮发电机组振动的耦联性 9 2.2.3 水轮发电机组振动故障和特征的非一一对应性 10 2.3 水轮发电机组振动机理 10 2.3.1 水力因素 10 2.3.2 机械因素 12 2.3.3 电气因素 13 2.4 水电机组故障诊断系统信号处理的主要内容 14 2.4.1 信号处理系统 14 2.4.2 信号的预处理 15 2.4.3 数据检验 16 2.4.4 信号处理的主要方法 17 2.5 本章小结 18 3 小波及小波包分析理论 19 3.1 引言 19 3.2 小波理论的发展 19 3.3 小波变换的基本概念 20 3.4 多分辨分析 21 3.5 小波包分析 23 3.5.1 小波包的定义 24 3.5.2 小波包的性质及算法 25 3.6 本章小结 26 4 基于 BP 神经网络的故障诊断研究 27 4.1 人工神经网络基本理论 27 4.1.1 神经网络概述 27 4.1.2 神经网络的故障诊断能力 29 4.2 反向传播 BP 网络 30 4.2.1 反向传播网络模型和结构 30 4.2.2 BP 算法 30 4.3 BP 神经网络的不足 33 4.4 基于改进 BP 神经网络的故障诊断 34 4.4.1 BP 网络参数的改进 34 4.4.2 BP 算法的改进 35 4.5 本章小结 35 5 基于小波包和神经网络的故障诊断研究 36 5.1 基于小波包的噪声处理 36 5.1.1 信号和噪声在小波变换下的特性 36 5.1.2 基于小波包分解系数收缩的去噪原理 36 5.1.3 阈值的选择 37 5.1.4 阈值函数的选择 38 5.1.5 去噪算法的有效性 39 5.1.6 仿真结果及讨论 39 5.2 利用小波包分析进行特征提取 41 5.2.1 小波包能量分析 41 5.2.2 提取系统特征信息的小波包变换方法 42 5.3 BP 网络的设计考虑 43 5.4 仿真结果及讨论 44 5.4.1 实例分析一：故障信号点的检测 44 5.4.2 实例分析二：南桠河水电站水轮发电机组振动故障信号分析 46 5.5 本章小结 52 6.结论与研究展望 54 6.1 结论 54 6.2 后续工作及展望 54 致谢 56 参考文献 57 附录 60 第 第 1 章 绪论 西安理工大学硕士学位论文 西安理工大学硕士学位论文 PAGE PAGE 13 PAGE PAGE 10 1 绪论 1.1 问题的提出 水轮发电机组的工作稳定性是其工作性能中的一项重要指标，它包括机组工作水头和 出力的波动、水压力脉动、水流周期性冲击、调速器的振荡、机组支承部分的振动、机组 转动部分的振摆、以及机组内部不正常的噪声等。上述稳定性问题都表现为不同形式的振 动。因此，对振动的分析就成为研究机组稳定性的重要内容。 然而，水电机组在运行过程中不可避免存在着不同程度的振动，当振动超过一定限度 时，就会对设备带来不同程度的危害。长期的振动将导致机组部件的材质疲劳，甚至遭到 破坏，妨碍机组的安全运行，从而影响机组在系统中合理发挥效益？ 如何才能保证机组安全稳定运行，即如何对运行着的设备监测、分析、诊断