基于改進(jìn)神經(jīng)網(wǎng)絡(luò)的風(fēng)機(jī)故障監(jiān)控與診斷系統(tǒng)研究.pdf

1、風(fēng)機(jī)是一種通過機(jī)械能提高氣體壓力并進(jìn)行氣體傳送的裝置，廣泛應(yīng)用于人類生產(chǎn)、生活所涉及到的各個(gè)領(lǐng)域。當(dāng)風(fēng)機(jī)發(fā)生故障時(shí)會(huì)直接影響到工業(yè)生產(chǎn)以及日常生活，造成重大的經(jīng)濟(jì)損失甚至人員傷亡。
　　隨著人工智能與物聯(lián)網(wǎng)技術(shù)的發(fā)展，建立具有提前預(yù)警和快速診斷的風(fēng)機(jī)實(shí)時(shí)監(jiān)控系統(tǒng)，可以有效減少上述損失，但在實(shí)際調(diào)研中發(fā)現(xiàn)，即便是國內(nèi)頂尖的風(fēng)機(jī)企業(yè)都尚未將風(fēng)機(jī)監(jiān)控與診斷系統(tǒng)投入實(shí)用或仍處于僅對風(fēng)機(jī)時(shí)域信號進(jìn)行采集監(jiān)測而未分析診斷的階段。因此，提升現(xiàn)有

2、神經(jīng)網(wǎng)絡(luò)對真實(shí)工況下的故障識別率并開發(fā)出一套具有實(shí)際效用的風(fēng)機(jī)故障監(jiān)控與診斷系統(tǒng)則顯得十分有必要。
　　本文針對用于地鐵通風(fēng)的PYHL-14A型軸流風(fēng)機(jī)，選取合適的神經(jīng)網(wǎng)絡(luò)與對應(yīng)的優(yōu)化算法相結(jié)合獲得改進(jìn)神經(jīng)網(wǎng)絡(luò)，并以MATLAB為平臺，建立包括信號特征提取、模式訓(xùn)練、故障識別和自學(xué)習(xí)等一整套功能的風(fēng)機(jī)故障診斷系統(tǒng)。此外，還建立了風(fēng)機(jī)故障實(shí)驗(yàn)平臺進(jìn)行故障信號收集與對應(yīng)故障庫的建立。本論文主要工作與成果如下:
　　1、通過大量的

3、文獻(xiàn)調(diào)研，對BP神經(jīng)網(wǎng)絡(luò)、SVM支持向量機(jī)以及ELM極限學(xué)習(xí)機(jī)進(jìn)行對比分析，選取最適合用于本文系統(tǒng)的故障分類神經(jīng)網(wǎng)絡(luò)。此外，對遺傳算法(GA)、粒子群算法(PSO)以及布谷鳥算法(CS)進(jìn)行對比分析，選取其中最優(yōu)異的算法用于神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn)。經(jīng)過分析研究，首次提出了基于ELM-CS改進(jìn)神經(jīng)網(wǎng)絡(luò)建立風(fēng)機(jī)故障識別系統(tǒng)，其效果與未進(jìn)行優(yōu)化的神經(jīng)網(wǎng)絡(luò)相比在故障識別成功率上提高了2％，其中轉(zhuǎn)子不對中故障與基座松動(dòng)故障識別率分別提高了4.2％與4

4、.1％。
　　2、建立PYHL-14A型風(fēng)機(jī)故障診斷系統(tǒng)并對該系統(tǒng)的整體架構(gòu)與故障診斷系統(tǒng)進(jìn)行介紹。此外，本文還對本系統(tǒng)各模塊進(jìn)行詳細(xì)介紹，并對本風(fēng)機(jī)故障診斷系統(tǒng)進(jìn)行了故障預(yù)警與診斷演示。其中，該系統(tǒng)所擁有的自學(xué)習(xí)功能使得該系統(tǒng)可以通過傳感器進(jìn)行相關(guān)參數(shù)的采集以豐富故障庫，并基于此進(jìn)行系統(tǒng)的自學(xué)習(xí)與升級，從而讓本系統(tǒng)更加適合應(yīng)用于工程實(shí)際中。
　　3、針對PYHL-14A型風(fēng)機(jī)本文首次搭建了故障研究平臺進(jìn)行實(shí)驗(yàn)數(shù)據(jù)的測量。詳