论文部分内容阅读
乳化炸药作为一种新式环保型炸药,具有爆轰猛度强、抗水性良好等特点。同时乳化炸药生产工艺简单、产能大、生产成本低使得它在我国民爆行业得到了广泛应用。乳化机是乳化炸药连续化、自动化生产线的核心设备,它是一种改良的旋转机械设备,且具有高速旋转的特性。要是内部器械运转异常,不仅会破坏生产工序的连续性能,影响产能和质量,严重情况下还会发生机毁人亡的安全事故,造成巨大的经济损失和社会影响。为了能准确地检测出乳化机潜藏的故障,提高维修效率,保证设备安全,本文研制了一套乳化机故障检测和诊断系统,并在实际生产中得到成功应用。本文主要针对转子故障、轴承故障等常见故障类型,在研究各类型的故障机理和发生征兆的基础上,首先提出基于样本熵的振动信号故障特征提取方法。针对样本熵对原始信号获取有限,故障特征区分度不高的缺陷,提出经验模式分解方法(Empirical Mode Decomposition,简称EMD)预处理样本熵的故障特征提取方法。该方法利用EMD先把振动信号分解为若干个固有模态函数(Intrinsic Mode Function,简称IMF),然后选取若干具有代表性的IMF分量,将这些分量的样本熵组成向量作为故障特征。EMD方法能将蕴藏在信号内部的信息挖掘出来,有效克服样本熵对信息获取的局限性。结果表明,EMD结合样本熵的方法不仅能够区分不同类型的故障种类,还能提高了识别系统的容错率。神经网络具备强非线性映射,以及自学习、自组织和自适应的能力。将提取的故障特征作为BP神经网络的输入,通过整理乳化机正常和故障的振动历史数据,分别构造了振动特征参数的正常及故障状态的训练样本,并用训练好的神经网络进行故障类型识别。结果表明,BP神经网络能快速地识别出滚动轴承的故障类型,诊断效果良好。在乳化炸药生产线现有设备的基础上完成硬件配置,基于工业控制软件组态王平台实现对PLC的数据交互,通过VB调用MATLAB神经网络功能实现上位机故障诊断系统的开发。实践结果表明,本文构建的乳化机故障诊断系统能够根据实际数据准确地识别出乳化机的故障类型,诊断准确率高,实际应用效果好。