基于振动测试的旋转设备状态分析与故障诊断

论文摘要

机械设备中有许多是旋转机械，它覆盖了机械制造、冶金化工等重要工业领域。旋转机械的运转速度一般都较高，并且是机械系统中的核心设备，如大型鼓风机、发电机、汽轮机等，其工况状态不仅影响该机器设备本身的安全稳定运行，而且还对后续的生产造成直接影响。有些故障在发生的初期，振动量小，往往会淹没在其他的振动信号中，如不能及时发现问题并及早的采取措施解决问题将会导致严重的后果。因此，这些大型旋转机械是状态检测与故障诊断的主要研究对象，对其进行设备状态监测显得尤为重要。旋转机械是依靠转子旋转运动进行工作的机器，在结构上必须具备最基本的转子、轴承等零部件。而转子又是旋转机械设备中最重要的部件之一，因此对转子进行状态监测与故障诊断具有非常重要的意义。本文就是以振动测试为基础，对包钢炼铁厂三烧车间的SJ14500主轴风机转子运行状态进行了识别分析与故障诊断。论文采用了多种信号处理方法，包括基于振动信号的时域分析技术、频域分析技术、小波及其小波包时频分析技术，神经网络诊断方法。从时域分析中，以时域特征统计量为基础，结合神经网络，建立了时域BP网络对风机转子状态进行识别的网络模型；在频域分析中，阐述了几种频谱分析方法，并以频谱分析中的谱能量为基础，结合神经网络，建立了频域BP网络对风机转子状态进行识别的网络模型；在时频域分析中，以小波包分解重构后个频带的相对能量为基础，结合神经网络，建立了小波BP网络对风机转子状态进行识别的网络模型。通过神经网络与三种传统的信号处理方法的有效结合，在对大量实测数据分析和处理的基础上，验证了该网络模型对风机转子状态识别的可行性。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 机械设备状态监测和故障诊断概述
• 1.2 机械设备状态监测与故障诊断在国内外研究现状
• 1.3 设备状态监测和故障诊断的含义
• 1.4 课题意义及研究内容
• 1.5 本章小结
• 2 神经网络诊断方法
• 2.1 神经网络综述
• 2.1.1 神经网络发展
• 2.1.2 神经网络的基本特征与功能
• 2.1.3 神经网络模型
• 2.1.4 神经网络在故障模式识别中的应用
• 2.1.5 设备故障诊断的神经网络方法与应用
• 2.2 BP 网络原理
• 2.2.1 BP 网络结构
• 2.2.2 BP 网络算法流程
• 2.2.3 BP 网络学习规则
• 2.2.4 BP 网络的设计
• 2.2.5 BP 网络的不足及改进
• 2.2.6 基于 MATLAB 的 BP 网络仿真研究
• 2.3 本章小结
• 3 振动信号的时域 BP 网络分析方法
• 3.1 时域波形分析
• 3.2 时域统计量分析
• 3.2.1 时域特征参量在设备状态监测中的应用实例分析
• 3.3 基于时域 BP 网络的风机状态的判别
• 3.3.1 时域特征量提取
• 3.3.2 神经网络的训练
• 3.3.3 神经网络的测试
• 3.4 本章小结
• 4 振动信号的频域 BP 网络分析方法
• 4.1 频谱分析
• 4.2 细化谱分析（ZOOM-FFT）
• 4.3 倒频谱分析
• 4.4 基于频谱 BP 网络的风机状态识别与故障诊断
• 4.4.1 各频段的谱能量的提取方法
• 4.4.2 神经网络的训练
• 4.4.3 神经网络的测试
• 4.5 本章小结
• 5 振动信号的时频 BP 网络分析方法
• 5.1 小波变换
• 5.1.1 小波变换理论的发展
• 5.1.2 常用的小波函数
• 5.1.3 连续小波与离散小波变换
• 5.1.4 多分辨率分析
• 5.1.5 小波分析应用
• 5.2 小波包分析
• 5.2.1 小波包分析
• 5.2.2 小波包定义
• 5.2.3 小波包分解频带能量监测
• 5.3 基于小波 BP 网络的风机状态判别
• 5.3.1 小波包提取故障特征方法
• 5.3.2 故障特征提取
• 5.3.3 神经网络的训练
• 5.3.4 神经网络的测试
• 5.4 本章小结
• 6 结论
• 参考文献
• 在学研究成果
• 致谢