基于RBF神經(jīng)網(wǎng)絡的故障診斷.pdf

1、石油鉆井是一種連續(xù)的作業(yè)過程，一旦發(fā)生故障將會帶來嚴重的經(jīng)濟損失。鉆井設(shè)備屬于大型設(shè)備，有許多傳動機構(gòu)，易發(fā)生故障的部件主要是傳動滾動軸承。本文針對油田鉆井設(shè)備滾動軸承的故障診斷和預測進行了研究，可用于預防事故的發(fā)生。 滾動軸承的振動信號是非平穩(wěn)信號，用常規(guī)方法難以從振動信號中提取有效故障特征信息。本文采用小波變換理論對滾動軸承振動信號進行數(shù)據(jù)分析處理，結(jié)合RBF神經(jīng)網(wǎng)絡進行故障診斷，取得了良好的診斷效果。

2、 由于在油田工地現(xiàn)場采集的振動信號數(shù)據(jù)中背景噪聲很大，直接進行特征提取，難以有效地將振動信號中的故障特征信息提取出來。本文分析總結(jié)了幾種小波消噪閾值的選取方法，采用小波消噪對振動信號進行消噪預處理，有效地消除了背景噪聲對滾動軸承振動信號的干擾，提高了信噪比。根據(jù)軸承振動信號的特點，研究了小波熵從振動信號中提取故障信息的方法，并用該方法對現(xiàn)場采集的三種工況下的振動信號數(shù)據(jù)進行了分析研究。結(jié)果表明，振動信號特征提取的小波熵方法，能有效地將

3、隱含在振動信號中的故障特征提取出來。 在特征提取的基礎(chǔ)上，進一步采用K-means聚類算法的RBF神經(jīng)網(wǎng)絡，將采用小波熵方法提取出來的特征向量作為RBF神經(jīng)網(wǎng)絡的輸入，對所提取的特征向量進行分類，從而得出軸承的工作狀態(tài)。故障診斷統(tǒng)計結(jié)果表明，K-means聚類算法的RBF神經(jīng)網(wǎng)絡故障診斷的正確率達到94.2％，取得了理想的診斷效果。本文也采用了BP神經(jīng)網(wǎng)絡對該三種工況下的滾動軸承進行了故障診斷，通過比較驗證表明，RBF神