旋转机械故障诊断方法研究的探讨.docVIP

旋转机械故障诊断方法研究的探讨 目录 TOC \o 1-9 \h \z \u 目录 1 正文 1 文1：旋转机械故障诊断方法研究 2 1旋转机械故障诊断的内容 2 1.1故障信息监测 2 1.2基于智能算法的故障诊断技术 3 1.3振动信号降噪技术 3 2旋转机械故障检测方法 4 2.1模式识别 4 2.2仿生模式识别 4 2.3诊断试验 5 文2：基于人工智能的旋转机械故障诊断方法研究 6 一、旋转机械常见的故障类型 6 （一）不平衡 6 （二）松动 7 （三）油膜振荡 7 （四）裂纹 7 二、旋转机械故障诊断常规流程 7 三、基于人工智能的故障诊断研究 8 （一）基于专家系统的故障诊断 8 （二）基于人工神经网络的故障诊断 9 参考文摘引言： 9 原创性声明（模板） 10 正文 旋转机械故障诊断方法研究的探讨 文1：旋转机械故障诊断方法研究 引言 随着诊断技术的深入研究，可以实现故障诊断的方法也越来越多，不仅提高了前人的研究成果，也有一些原有的研究成果已被提出，按照实现方式方法的不同，一般可以分为三类，第一是通过在实际应用中，这种方法的适当的故障诊断模型的建立，往往由于设备结构复杂，建立精确的模型，即使你可以得到相应的模型参数，成本会相当大，所以在实际应用中是不可行的。第二种方法是人工智能与专家系统相结合。在实践中，这种方法得到了肯定。但仍存在知识获取不充分、针对性强、智能化程度低等问题，使得故障诊断的可靠性不够强。模式识别是故障诊断中应用最为广泛的一种方法，许多学者认为基于模式识别的故障诊断还有很大的改进空间。 1旋转机械故障诊断的内容 1.1故障信息监测 该系统采用相应的传感器、数模转换、采集工作站等硬件设备，对旋转机械的物理量、工作参数和性能指标进行监控和量化。其制备过程主要是用一些仪器测试相应的电、热、力、光、声、流量、速度、温度、湿度、噪声等参数。目前，信号采集和监测用传感器，它具有高可靠性的特点，抗干扰能力强，一个常用的传感器是气体传感器、湿度传感器、微波传感器、紫外线传感器、霍尔位置传感器、光电传感器、一个新的先进制造技术的传感器的应用，现代新型功能材料使用，如陀螺、光纤、化学和生物传感器等。 1.2基于智能算法的故障诊断技术 近年来，人工神经网络技术已逐步应用到各个领域，与其他传统方式信息的表达和处理不同的神经网络，通过自适应非线性动力学系统，模拟生物神经系统，它可以更复杂的模式，过程分类、投机和非线性优化问题的能力，能有一个帮助很大的旋转机械故障诊断。该神经网络系统具有较强的学习能力和适应性，适用于智能故障识别模型的建立。 神经网络可以避免专家系统自学习、知识表示和组合爆炸的缺点。推理过程简单，可用于在线实时故障诊断。将神经网络诊断技术应用于大型旋转机械故障诊断中，取得了良好的研究成果。但在故障诊断领域，人工神经网络的网络结构难以确定，容易出现学习和学习困难的问题。本文采用了基于支持向量机（SVM）的故障诊断技术。支持向量机能保证全局最优解，避免了人工神经网络在故障诊断中的算法缺陷，具有很好的泛化能力。 1.3振动信号降噪技术 大型旋转机械信号非常复杂，频率成分非常丰富，具有典型的非线性特征。用奇异值分解法求出系统能量的n个特征方向。如果K系统的维数小于n，那么n-k特征方向的能量分布为零。考虑到噪声通常每个方向的高维信号分布均不为零，所以K会选择对应的方向上的最大特征值，设为N维空间向量投影到k维子空间，噪声信号的滤波和高维度能量小，奇异值分解过程中的旋转机械振动信号，信号：D矩阵的奇异值分解，奇异值，n-k将奇异值零计算D、降低噪声序列，信号噪声比。奇异值分解只能保留能量的主要特点，如果原始信号中的噪声占了较大的数量，将特征值的衰减是非常温和的，它找不到K的维度，这一特征在特征值远远大于值后，将无法达到良好的降噪效果。采用奇异值分解法降低噪声和平滑背景信号，然后进一步对信号进行去噪，达到较好的去噪效果。首先利用小波变换对信号进行处理，并利用奇异值谱去噪技术对小波域信号进行去噪处理。与奇异值小波去噪相比，小波去噪和奇异值去噪效果更好。 2旋转机械故障检测方法 2.1模式识别 经过多年的发展，模式识别是故障检测的重要理论基础之一。在过去的十年中，模式识别技术在机械设备故障诊断领域的应用已经非常普遍，每年都有相应的改进方法。模式识别在机器人模仿人类思维能力的研究领域中一直起着非常重要的作用。在机械故障诊断中，模式识别一直是一个前沿而富有挑战性的研究方向。随着计算机技术的飞速发展，所有的国家都在旋转机械故障诊断中取得了很大的进步，摆脱了传统的依靠人的主观经验判断的技术工人和精