论文部分内容阅读
随着机械设备复杂程度和自动化水平的提高,机械设备故障诊断的重要性日益显著,而选择合适的诊断方法是获得精确诊断结果的重要指标之一。在智能故障诊断技术的研究中,小波分析和神经网络技术都是热点研究内容,也是研究的前沿。本文首先对故障诊断技术的研究内容及研究意义进行了阐述,讨论了故障诊断的主要方法及步骤,以2D-90MG往复式压缩机网状气阀故障振动信号为研究对象,采集网状气阀的典型振动信号,对网状气阀故障时振动的时域和频域信号进行分析。主要研究内容如下:1、设计2D-90MG往复式压缩机网状气阀故障模拟实验,故障实验的模拟效果与实际往复式压缩机生产情况非常接近,非常具有实际研究价值。2、网状气阀振动信号的采集与分析,通过在网状气阀阀座上安装加速度传感器的基础上,采集大量的往复式压缩机网状气阀的加速度信号,为下面的故障智能分析奠定了数据基础。3、分析了网状气阀加速度信号的时域波形与频谱,以及网状气阀处于不同工作状态时的振动信号特征。4、基于小波包能量谱模型对网状气阀故障特征进行提取,采用小波包分解技术,解决了网状气阀振动信号故障特征难以提取的问题,将网状气阀原始加速度信号进行适当程度的分解,并以子带信号的能量为元素构造特征向量。5、基于BP神经网络(DNN)的网状气阀故障智能识别;为实现网状气阀故障类别的智能识别诊断,提出了基于BP神经网络(DNN)的网状气阀故障识别方法,将上面得到的小波包能量谱特征向量输入到设计好的DNN中去训练,得到诊断模型,再将训练好的DNN模型用于对新样本的智能预测。实验结果表明,本文提出的网状气阀故障诊断技术的诊断精度良好,验证了本文基于振动信号和小波包分解技术提取网状气阀故障特征的有效性;以及基于BP神经网络的网状气阀故障智能识别的可行性。