论文部分内容阅读
港口起重设备是港口作业的重要工具，是港口安全有序发展的基础。门座式起重机（简称门机）在港口起重设备中占有重要地位，一旦发生故障，会严重影响港口装卸作业的进度，甚至会造成人员伤亡和直接经济损失。因此，对门座式起重机开展振动特征提取方法研究及监测诊断系统开发具有重要意义。 针对港口起重设备状态监测的研究现状以及存在的不足，对港口门机进行振动监测诊断系统开发。分析了经验模式分解(EMD)、奇异值分解(SVD)和多维尺度分析(MDS)的发展及现状，结合先进的监测技术和特征提取方法，联合运用到门机监测诊断中，摒除了传统门机定期巡检方式，为门座式起重机的维修养护提供指导。 论文首先介绍了传统的信号处理方法，针对门机故障特征比较微弱的特点，提出了经验模式分解方法，将故障特征信号分解到若干个IMF分量中，减少了特征提取的难度。在分析了经验模式分解不足的基础上，提出了经验模式分解的改进算法。通过实验信号对这些方法进行了有效性验证，并在门机信号上进行了特征提取。 接着，针对门机信号低信噪比的特点，提出了基于奇异值分解的振动信号降噪方法。研究了矩阵奇异值分解和时间序列奇异值分解的原理及算法。讨论了复合信号奇异值分解过程中，幅值和运算符对奇异值分解的影响。分析了奇异值幅值大小的内在联系，发现了每个频率产生的奇异值幅值之比等于该频率的幅值之比。提出了奇异值差分谱概念，利用差分谱实现信号降噪，有效地提高了信号的信噪比。结合奇异值分解和EEMD两种方法，联合进行故障特征提取，结果表明能有效提取滚动轴承的故障特征频率，效果明显优于独立使用EEMD的故障诊断方法。 然后考虑了一般信号处理方法失效的可能性，提出了智能诊断进行模式识别的方法。介绍相似度度量方法和多维尺度分析，对比了两种相似度度量MDS的处理效果。介绍了神经网络的相关知识，包括其网络结构、学习方式、学习规则、算法推导和步骤。结合多维尺度分析和人工神经网络算法，将其联合运用到故障诊断中，对故障样本进行了有效地模式识别，实验结果表明基于MDS降维处理的神经网络算法有更高的故障识别率。 最后，针对门机的主要结构，重点研究了门机的起升、变幅、旋转机构的结构形式，分析了这些机构常见的故障特征及形成原因，为后期故障诊断提供了理论基础。基于Windows操作系统，以VB.net作为开发语言，开发了门座式起重机在线监测与故障诊断系统。开发的门座式起重机在线监测与故障诊断系统结合了信号处理分析算法，在监测的同时具有强大的信号处理功能。研究了门机空载运行数据，对其统计指标进行了统计分析，找到了门机重点关注指标。对门机试运行信号进行二次统计指标分析，制定了门机关键指标的阂值，使得门机维修养护工作有据可依，为门机的健康运行提供了理论支持。