基于自组织映射网络的旋转机械故障诊断研究

论文摘要

旋转机械作为各种类型机械设备中数量最多、应用最广的一类机械设备,对其进行故障诊断具有重大意义,是国内外工程技术领域一直非常关注的课题。本文在对旋转机械的振动故障机理进行研究分析的前提下,着重对其故障的特征提取方法和分类识别方法进行了系统的理论和实验研究。在故障特征提取方面,考虑到故障振动信号的非平稳、非线性特征,提出小波分析和分形学结合的特征提取手段。基于离散小波变换的小波能量谱分析和基于分形学的关联维数特征提取方法,充分反映和有效刻画出信号的非平稳、非线性特征。试验证明了本方法的有效性。从一定程度上解决了旋转机械故障特征征兆描述的全面性问题。在故障分类识别方面,针对旋转机械故障复杂,故障样本不易获取,往往多故障同时并发等特点,结合二维自组织映射(SOM)网络无监督、不需要获取正确识别样本,以及反映输入样本的拓扑结构,形象直观、易于理解等优点,将其作为故障诊断的分类方法。提出网络改进模型,使其更加接近于实际生物神经元间的相互作用模式。试验证明,改进模型提高了网络收敛速度,降低了输出层特征图与输入空间的拓扑结构不匹配的风险,可靠性与稳定性大大提高。诊断结果以特征映射图的形式给出,从一定程度上解决了人工神经网络权重形式的知识表达难于理解,诊断结果缺乏解释力的问题。

论文目录

• 摘要
• ABSTRACT
• 1 绪论
• 1.1 课题的来源
• 1.2 课题研究的意义和目的
• 1.3 故障诊断技术研究的主要内容及国内外发展概况
• 1.4 基于神经网络的故障诊断技术的研究概况
• 1.5 本文的主要目标和所做工作
• 2 旋转机械故障诊断方法及常见故障分析
• 2.1 故障诊断的基本过程
• 2.2 故障诊断的基本方法
• 2.3 旋转机械振动诊断技术
• 2.4 旋转机械常见故障及分析
• 2.5 本章小结
• 3 小波分析、非线性理论及故障特征提取的研究
• 3.1 引言
• 3.2 小波分析理论
• 3.3 非线性理论
• 3.4 旋转机械故障特征提取
• 3.5 本章小结
• 4 人工神经网络基础及自组织映射（SOM）网络
• 4.1 人工神经网络概述
• 4.2 自组织映射（SOM）网络
• 4.3 改进自组织映射网络模型
• 4.4 本章小结
• 5 基于SOM网络的故障诊断研究
• 5.1 SOM网络的设计
• 5.2 网络的训练与测试
• 5.3 改进前后网络比较研究
• 5.4 本章小结
• 6 总结与展望
• 6.1 主要研究内容和所做工作
• 6.2 研究展望
• 致谢
• 参考文献