基于神经网络的转子振动故障诊断研究

【摘要】：随着现代机械在工业生产中向着高速以及结构复杂化的方向发展,越来越多的新技术也在生产中得到应用。旋转机械在实际运转过程中不可避免会出现一些意想不到的系统故障,转子系统是旋转机械故障中较为常见的部分,其是否可以高效稳定地运转与工业的平安生产和经济效益亲密相关,因而对旋转机械的转子工作状态进行故障诊断方法的研究工作是非常必要的。振动信号中往往蕴藏较多的故障信息,所以本文利用转子系统振动故障非平稳信号的特点,将转子运转过程中出现的几种常见典型故障作为研究数据,深刻研究涉及诊断过程的信号分析、特征提取及模式识别方法,主要的研究内容如下:首先研究了传统的集合经验模态分解方法所存在的问题,并将其改进。传统的集合经验模态分解方法中可能因过多噪声的存在,致使高频分量中的信息被淹没。对此,先采用了相关性原理筛选分解得到的信号高频分量;接着利用小波包降噪高频分量,在一定分解层数范围内将赫斯特指数的变化作为小波包分解层数的选择;引入了常用的信噪比与均方根误差函数衡量改进后信号分解的效果。对仿真信号的分析表明,改进后的分解方法能够使信息更加明显,对转子振动故障信号的分解也符合期望,可以为后续的故障特征提取打下良好根基。其次研究了衡量信号信息的熵特征,分析了常见信号熵的不足,使非平稳、非线性信号的特征以散布熵值的形式呈现。利用不平稳非线性的仿真信号分析了散布熵的特性,证实其可以作为振动故障信号的衡量方法;计算分解得到了转子不同状态下的分量散布熵值,将其作为转子振动故障特征,方便诊断方法的识别。最后研究了识别故障类别的神经网络方法,使用优化方法优化了网络中的参数。将搜索遍历性强、可以避免局部最优的量子粒子群算法用来优化双向长短记忆神经网络的网络参数,选择适合的最佳参数组合提高网络的学习性能,将优化后的神经网络作为转子振动故障诊断识别的模型。通过实验结果表明,该诊断模型能准确识别实验平台上采集的转子振动故障数据状态。将本论文中的组合诊断方法,与集合经验模态分解-多尺度散布熵-概率神经网络、改进集合经验模态分解-奇异值-概率神经网络、改进集合经验模态分解-模糊熵-双向长短记忆神经网络三种诊断组合方法作对比。从实验后的结果看,本文的诊断办法不只辨识故障的准确率高,并且实时性好,对转子振动故障的诊断具有一定的指导意义。