论文部分内容阅读
考虑到机械故障的发展特点，本文涵盖曳引机的故障预测和故障诊断两个分支，在系统研究SVM和RBF神经网络理论基础上，提出将LS-SVM应用于曳引机故障预测以及将RBF神经网络用于故障诊断中，实现了曳引机的智能故障诊断。论文的主要研究内容如下：1．曳引机机械振动故障机理分析及故障征兆提取在对曳引机振动故障特征进行研究的基础上，采用加速度传感器、NIPCI4472B数据采集卡、LabVIEW和MATLAB软件对试验数据进行采集，并对振动信号的数据采集点以及数据预处理模块进行了设置。采用LabVIEW软件采集到曳引机振动加速度信号的功率谱，结合故障频率特征，初步诊断出曳引机存在滚动轴承故障。2．基于LS-SVM的曳引机振动故障预测技术采用LS-SVM方法对曳引机振动信号的各时域分量进行预测，提出了一种自动搜寻最优参数方法，提高了算法的效率。根据LS-SVM的预测结果，结合故障预警标准给出各个工作状态的预报信号。采用RBF神经网络，与LS-SVM方法进行对比研究，结果显示LS-SVM在相同训练样本条件下，可以取得比RBF更好的预测精度和预测速度。3．基于RBF神经网络的故障诊断系统利用课题研究所获得的历史数据，分别构造了基于轴承振动特征参数的有故障及无故障训练样本，并采用RBF神经网络对初步故障出的滚动轴承故障进行精确诊断。最后对系统软件进行了设计。