基于BP神经网络的炼钢转炉轴承故障诊断系统

基于BP神经网络的炼钢转炉轴承故障诊断系统

论文摘要

大型机械动力设备的故障诊断和整个企业的安全生产、经济效益息息相关。滚动轴承在动力机械工程领域内应用比较广泛,是发电、冶金、化工等行业的主要设备,其工作状态的好坏关系到整套系统是否正常运行。目前,滚动轴承的监测手段比较落后,一般依靠人工经验,既不及时又不准确,造成整套设备能耗大,效益差。故有必要构建可靠、实用和先进的故障监测和诊断系统,确保设备的安全、节能运行。LabVIEW是一种标准的数据采集和仪器控制软件。MATLAB环境中包含神经网络工具箱,但是它在界面开发、仪器连接控制和网络通信等方面远远不如LabVIEW。故本文通过LabVIEW提供的MATLAB Script节点实现了LabVIEW和MATLAB的混合编程。炼钢转炉传动机构——耳轴轴承是炼钢转炉的关键部件,为低速重载滚动轴承,其故障诊断是一个非常复杂的问题,受安装位置,运行工况等因素的影响,故障和征兆间是非线性映射关系。人工神经网络因具有联想记忆,非线性模式识别等优势,近年来在机械设备故障诊断领域得到了广泛的应用。随着计算机技术的突飞猛进,以通用微机为核心加上一定的软硬件构建故障诊断系统成为可能,且BP算法也可由LabVIEW和MATLAB混合编程来实现,故本文以LabVIEW8.2为平台,构建了基于BP神经网络的炼钢转炉轴承故障诊断系统。由于耳轴轴承本身在工作中必然随旋转产生振动,其运行状况的好坏往往直接反映在振动信号中,且振动信号测试简单、直观。通过传感器所拾取的振动信号除反映有关轴承本身的工作情况外,还包含了大量其他运行部件的噪声等振动信息。因此,突出故障特征信息,抑制背景噪声,从而有效诊断出滚动轴承故障成为轴承振动监测与诊断技术的重要部分。本文对耳轴轴承的振动信号分别在时域和频域内进行分析,获得特征值并作为BP神经网络的输入,经网络分析处理后,得到最终诊断结果。最后,本文对实测耳轴轴承数据进行验证,结果表明:本文提出的基于BP算法的神经网络轴承故障诊断系统具有可靠、实用的特点,作为一种模式识别技术在设备故障诊断领域有较广泛的应用前景。

论文目录

  • 摘要
  • ABSTRACT
  • 1 绪论
  • 1.1 概述
  • 1.1.1 滚动轴承故障诊断的意义
  • 1.1.2 滚动轴承故障诊断的基本环节
  • 1.2 滚动轴承故障诊断方法
  • 1.3 滚动轴承振动监测与诊断技术发展概况
  • 1.4 神经网络理论在故障诊断中的应用
  • 1.5 本文的研究内容
  • 2 滚动轴承的失效形式和振动机理分析
  • 2.1 滚动轴承的典型结构
  • 2.2 滚动轴承失效的基本形式
  • 2.2.1 滚动轴承主要失效形式和原因
  • 2.2.2 炼钢转炉传动机构主要失效形式
  • 2.3 滚动轴承故障的振动机理分析
  • 2.3.1 滚动轴承正常时的振动
  • 2.3.2 滚动轴承故障时的振动
  • 2.3.3 滚动轴承的固有频率和特征频率
  • 2.4 本章小结
  • 3 神经网络理论分析
  • 3.1 人工神经网络概论
  • 3.1.1 人工神经元模型
  • 3.1.2 人工神经元传递函数
  • 3.2 BP 神经网络理论
  • 3.2.1 BP 神经网络模型
  • 3.2.2 BP 神经网络的学习算法方式及其流程图
  • 3.3 BP 神经网络故障诊断理论
  • 3.4 本章小结
  • 4 诊断系统硬件组成
  • 4.1 系统组成简介
  • 4.2 加速度传感器系统
  • 4.2.1 压电加速度传感器原理
  • 4.2.2 加速度传感器的选取
  • 4.2.3 信号调理仪和信号电缆的选取
  • 4.3 电涡流传感器系统
  • 4.3.1 电涡流传感器原理
  • 4.3.2 电涡流传感器系统的选取
  • 4.4 数据采集系统
  • 4.4.1 数据采集卡
  • 4.4.2 数据采集卡驱动程序
  • 4.4.3 接线端子板和电缆
  • 4.5 网络传输设备
  • 4.5.1 光纤及光纤收发器
  • 4.5.2 网卡
  • 4.6 设备的现场布置及安装
  • 4.7 本章小结
  • 5 诊断系统软件设计
  • 5.1 LabVIEW 简介
  • 5.2 数据预处理
  • 5.2.1 各态历经性
  • 5.2.2 时域和频域分析
  • 5.3 BP 神经网络诊断系统中各参数的确定
  • 5.3.1 输入层节点数的确定
  • 5.3.2 输出层节点数的确定
  • 5.3.3 隐含层数和隐含层节点数的确定
  • 5.3.4 学习方式的确定
  • 5.3.5 神经元传递函数的选择
  • 5.3.6 学习率的确定
  • 5.3.7 初始权重的确定
  • 5.4 轴承故障诊断系统的结果
  • 5.4.1 时域和频域学习样本训练结果及分析
  • 5.4.2 时域和频域新样本验证结果及分析
  • 5.5 软件功能
  • 5.5.1 数据采集
  • 5.5.2 数据传输
  • 5.5.3 数据处理和分析
  • 5.6 本章小结
  • 6 结论
  • 致谢
  • 参考文献
  • 附录
  • 相关论文文献

    • [1].基于BP神经网络对地震前兆的研究[J]. 科学技术创新 2019(33)
    • [2].基于BP神经网络的涡轴发动机故障诊断研究[J]. 智库时代 2019(52)
    • [3].基于BP神经网络的磁流变阻尼器逆向模型研究[J]. 海军工程大学学报 2019(06)
    • [4].基于BP神经网络的电梯噪声评价方法[J]. 数字技术与应用 2019(12)
    • [5].基于BP神经网络和支持向量机的荨麻疹证候分类探讨[J]. 广州中医药大学学报 2020(03)
    • [6].基于BP神经网络代理模型的交互式遗传算法[J]. 计算机工程与应用 2020(02)
    • [7].基于BP神经网络的虚拟机评估[J]. 数字通信世界 2020(01)
    • [8].基于BP神经网络的科研项目经费管理风险评估[J]. 财务与会计 2019(22)
    • [9].基于BP神经网络的断层封闭性评价[J]. 复杂油气藏 2019(04)
    • [10].基于BP神经网络识别的曲堤油田低阻油层研究[J]. 宁夏大学学报(自然科学版) 2020(01)
    • [11].基于贝叶斯-BP神经网络的机械制造企业安全预警方法研究[J]. 安全与环境工程 2020(01)
    • [12].基于BP神经网络的扇区空管运行亚健康关联因子预测[J]. 安全与环境工程 2020(02)
    • [13].基于改进灰狼算法优化BP神经网络的短时交通流预测模型[J]. 交通运输系统工程与信息 2020(02)
    • [14].心理护理对于双相情感障碍(BP)病患认知功能产生的影响[J]. 临床医药文献电子杂志 2020(08)
    • [15].BP神经网络在雷达故障诊断中的应用[J]. 通信电源技术 2020(06)
    • [16].基于BP人工神经网络的英那河流域径流模拟研究[J]. 黑龙江水利科技 2020(03)
    • [17].基于BP神经网络的节能车弯道降速数学模型分析[J]. 汽车实用技术 2020(10)
    • [18].基于BP神经网络的临床路径优化[J]. 计算机技术与发展 2020(04)
    • [19].基于改进BP神经网络的羊肉价格预测[J]. 计算机仿真 2020(04)
    • [20].财务BP在企业管理中的应用与研究[J]. 商场现代化 2020(07)
    • [21].人工智能技术的热带气旋预报综述(之一)——BP神经网络和集成方法的热带气旋预报研究和业务应用[J]. 气象研究与应用 2020(02)
    • [22].基于改进BP神经网络的岩心图像分割方法研究[J]. 西安石油大学学报(自然科学版) 2020(04)
    • [23].基于BP神经网络的光纤陀螺误差补偿方法[J]. 物理与工程 2020(04)
    • [24].基于主成分分析和BP神经网络对大学生价值观的研究[J]. 科技经济导刊 2020(20)
    • [25].基于粒子群算法的BP模型在地下水位埋深预测研究中的应用[J]. 吉林水利 2020(08)
    • [26].基于BP神经网络的煤炭企业人岗匹配研究[J]. 煤炭经济研究 2020(07)
    • [27].基于改进BP神经网络的飞行落地剩油预测方法[J]. 飞行力学 2020(04)
    • [28].基于BP神经网络的网络安全态势预测[J]. 网络安全技术与应用 2020(10)
    • [29].以财务BP制度推进“业财融合”的研究[J]. 中国总会计师 2020(09)
    • [30].财务BP的企业实践研究[J]. 现代国企研究 2019(04)

    标签:;  ;  ;  ;  

    基于BP神经网络的炼钢转炉轴承故障诊断系统
    下载Doc文档

    猜你喜欢