论文部分内容阅读
风机在工业生产中一般是连续工作,且处于无人在旁边值守状态,一旦风机发生故障,不仅会使设备受损,造成巨大的经济损失,还可能引发严重的安全事故。因此,对风机开展状态监测和故障诊断具有重要意义。小波分析是一种有效的信号分析方法,具有自适应性的时频特性。本文以离心风机为研究对象,应用小波分析和PSO-BP神经网络对其音频信号进行分析,实现了风机故障诊断,开发了一套风机故障诊断系统。本文的主要研究成果和结论如下:(1)在研究小波分析理论的基础上,提出了一种改进阈值函数的小波降噪方法,通过对信号进行MATLAB仿真实验,结果表明:相比传统的硬阈值、软阈值函数降噪方法,该方法获得了更高的信噪比,消除了声音采集过程中的大部分噪声,有利于提取信号的特征参数。(2)通过研究风机故障类型与特征参数的映射关系,发现单子带重构算法存在严重的频率混叠现象,并不能准确提取信号的特征。基于此,本文提出用抗混叠单子带重构算法来提取信号各个频带的能量距,将其作为风机故障诊断的特征,并通过仿真实验验证了抗混叠能量距参数的有效性。(3)设计并搭建了转子试验台,对离心风机的正常状态、转子不平衡、转子不对中和动静碰摩信号进行了模拟实验和分析。针对BP神经网络收敛性不稳定,易陷入局部极值点等缺点,本文提出用粒子群算法优化BP神经网络初始权值和阈值,建立PSO-BP神经网络模型,对模型的各项参数进行设计,将其应用于风机故障诊断当中,结果表明:在训练阶段,PSO-BP神经网络能快速收敛,在训练时长、训练步数、收敛误差方面均优于BP神经网络;对测试数据进行诊断时,PSO-BP神经网络准确识别了上述四种工况,实现了特征向量和故障类型的非线性映射。(4)设计了一套集声音采集、小波降噪、时域分析、特征提取、故障诊断于一体风机故障诊断系统,并将改进阈值函数降噪算法、抗混叠单子带重构算法、PSO-BP神经网络应用到系统中,通过多组实验数据验证了系统的可靠性。