基于模糊神经网络的旋转机械故障诊断方法研究

作者:张忠明 刊名:科学与财富 上传者:陈雪原

【摘要】随着经济的快速发展,机械化、智能化已经逐渐取代手工操作,同时机械的维护与保养工作也越来越受到人们的重视,旋转机械故障诊断技术是其中重要的意义,旋转机械故障诊断包括故障类型的诊断和故障严重程度的诊断两部分,但是现在提出的方法,大多是从其中一方面进行研究,把两者进行综合分析,本文在评述、比较方法的基础上,提出综合利用小波包理论、神经网络理论及模糊识别理论进行旋转故障诊断的方法,用计算机实现全部算法,可以争取识别故障的类型,不断的对故障的严重程度及发展趋势进行可靠的诊断。

全文阅读

科学与财富 基于模糊神经网络的旋转机械故障诊断方法研究 张忠明 (武昌工学院 湖北省武汉市 430000) 摘 要:随着经济的快速发展,机械化、智能化已经逐渐取代手工操作,同时机械的维护与保养工作也越来越受到人们的重视,旋转机械故障诊断技术是其中重要的意义,旋转机械故障诊断包括故障类型的诊断和故障严重程度的诊断两部分,但是现在提出的方法,大多是从其中一方面进行研究,把两者进行综合分析,本文在评述、比较方法的基础上,提出综合利用小波包理论、神经网络理论及模糊识别理论进行旋转故障诊断的方法,用计算机实现全部算法,可以争取识别故障的类型,不断的对故障的严重程度及发展趋势进行可靠的诊断。 关键词:模糊神经网络;旋转机械故障;诊断;研究 一、基于组合式模糊神经网络的旋转机械故障诊断模型 1.模型总体结构 这种模型由两层多个模糊神经网络构成,以转子振动不同频段上的振幅分布为旋转机械故障特征信息,采用的模糊神经网络是把模糊逻辑融合到前向神经网络的输入层合输出层中,这个时候的模糊神经网络的输入变量和输出变量都表示为模糊隶属度,网络输出结果是各输出模式的隶属度,模型第一层为一个决策模糊神经网络,其输入为故障特征隶属度矢量 X,输出为故障模式类型隶属度矢量 Y,模型的第二层由六个诊断 模糊神经网络组成,诊断模糊神经网络是根据旋转机械常见故障振动频谱分布情况,采用故障分解方法进行划分的,分别为低频故障诊断模糊神经网络模块 A,工频故障诊断模糊神经网络模块 R,高频故障诊断模糊神经网络模块S,低频和高频故障诊断模糊神经网络模块 AS,工频和高频故障诊断模块RS,低频、工频和高频故障诊断模糊神经网络模块 ARS。 模型在进行故障诊断时可分为真原则,确定第二层故障诊断模糊神经网络被激活为真,对于第二层的诊断模糊神经网络计算推理,根据网络计算得到的故障模式隶属度矢量值和大隶属度优先为真原则,并且通过 联想推理,得出准确的结果。 2.模糊神经网络构造 基于组合式模糊神经网络的旋转机械故障诊断模型中,第一层的决策模糊神经网络和第二层的六个诊断模糊神经网络都是采用输入、输出模糊化的BP前向神经网络结构。 二、旋转机械故障诊断方法及步骤 对于旋转机械出现故障的时候,诊断信号会发生相应的变化,集中反映在部分特征频段上,其变化及比例关系反映出机械设备振动的特点及故障类型,频谱分析是提取振动信号特征最常见的方法,主要就是把特征频率点的振幅当作特征参数,但是特征频率点的振幅无法全面反映信号的振动特征,还有就是这种方法的抗干扰的能力很差,小波包对信号进行多维多分辨分析,然后把信号逐层分解到频段序列中,这样会适用于平稳信号,所以小波包分解适合于振动信号的特征提取,而且会更加的全面和准确,抗干扰的能力比较强,所以本文采用小波包分解提取振动信号的特征。 提取的信号特征可输入神经网络进行故障类型识别其中比较常用的是 BP 神经网络,但是这种网络存在学习时间长的缺陷,而且对于学习的 故障模式有很强的识别能力,对于未知的学习模式缺少调整手段,而且很容易出现错判、漏判的情况。ART2 神经网络具有无监督自学习的能力,所 以对未知故障类型具有自归类能力,可以有的减少错判、漏判的概率,用最快是的算法对全值进行学习,使得学习速度加快,对信号进行实时的学习、实时的处理,可以对学习模式响应和自动识别,这样有利于在线监测和实时识别,还有就是具有自归能力和噪声抑制能力,对输入特征向量再做归一化处理,并通过改变网络参数调节噪声抑制能力,其优点在于适合旋转机械故障实时的进行判断,并且对故障类型进行识别。 正确的识别故障类型,

参考文献

引证文献

问答

我要提问