基于神經網絡的機械故障診斷技術的研究.pdf

1、隨著機械設備復雜程度和自動化水平的提高，機械設備故障診斷的重要性日益顯著，而選擇合適的診斷方法對于診斷結果是否精確至關重要。在智能故障診斷技術的研究中，小波分析和神經網絡技術都是熱點研究內容，也是研究的前沿。
　　本文首先對故障診斷技術的研究內容及研究意義進行了闡述，介紹了故障診斷主要的方法及步驟，通過對機械故障振動信號的引入，對故障時振動的時域和頻域的信號進行分析。接著介紹了基于神經網絡的故障診斷技術的基本特征和性質，以及神經網

2、絡的主要類型，分析了神經網絡作為一種新型技術的優(yōu)點。其次，詳細介紹了RBF網絡，并將RBF神經網絡與BP網絡進行對比。由于RBF網絡的預測精度要大于BP神經網絡，同時RBF網絡的訓練時間明顯小于BP網絡，在故障診斷中顯示出更大的優(yōu)勢。通過對各種理論基礎的分析與比較，為后面的工作提供理論基礎。
　　由于小波變換不具備時移不變性，針對小波分析的不足，本文提出了多分辨率分析和小波固定時間基分析。以船用空氣壓縮機為例，對空氣壓縮機運行中的

3、振動信號進行了研究，并對往復式壓縮機的氣閥振動信號進行了采集，得到相應測量數(shù)據。通過Labview平臺基于小波固定時間基分析得到的實驗數(shù)據，作為神經網絡的輸入樣本。最后通過RBF神經網絡對空氣壓縮機進行故障診斷。
　　小波固定時間基分析有效地剔除了壓縮機氣閥故障信號中的冗余,降低了神經網絡的輸入維數(shù),改善網絡的收斂性能,從而減少了網絡的訓練時間,避免網絡陷入局部極小。最終通過仿真實驗證實了基于小波固定時間基分析和神經網絡用于故障診