论文部分内容阅读
稳定、可靠的诊断系统能对机电设备早期故障及性能劣化提供适时监测，从而避免突发故障，为设备维护提供有力保障。目前，用来对机电设备进行监测诊断的方法很多，但都存在各自的不足。基于此，本论文对机电系统故障检测与诊断技术进行了方法及应用研究，主要工作有：
1.针对非周期、非平稳故障特征信号提取所面临的困难，本文构建了基于WVD-PCA的故障特征提取与诊断模型。模型克服了频谱分析方法缺乏局部分析能力，不能反映振动信号时域特征的问题，利用Wigner-Ville分布建立旋转机械状态时频谱图，在时域和频域内同时对非平稳信号进行分析；然后利用主成分分析方法的降维功能，通过构造特征矢量矩阵，将原始特征值投影到相互正交的矢量上，减少原始时频数据的冗余成分，获取可反映原始数据的主分量，达到了降维的效果。实验表明，模型可以对旋转类机械故障进行有效的诊断。
2.针对常规的信号处理方法对非平稳、非Gauss、非线性振动信号缺乏有效分析处理的问题，本文构建了基于CT-ICA的故障特征提取与诊断模型。模型首先对振动信号进行线调频小波时频分析，将故障信号映射到时-频空间，滤去与故障特征无关的干扰信号，然后利用独立成分分析从多维统计数据中寻找潜在故障因子或成分，运用SOM神经网络进行故障的定性和定量分析。实验表明，诊断模型对非平稳、非Gauss、非线性振动信号故障特征提取与分类具有良好的处理能力，改善了常规时频分析方法对非平稳故障信号的分析能力，提高了故障的早期诊断率。
3.提出了基于HGDPSO的小波神经网络的非线性智能诊断模型。模型运用改进的PSO算法与梯度下降算法相结合的混合粒子群方法来对小波神经网络结构及参数进行优化，该方法能在全局范围内进行鲁棒搜索，有效地防止寻优过程收敛于局部最优解，而且计算简单快速，因而应用更加方便。通过实验分析表明，基于混合粒子群算法的小波神经网络在故障诊断应用中具有训练性能优越、收敛速度快及诊断精确度高等优势，具有良好的应用前景。
4.提出了一种基于自组织补偿模糊小波神经网络的非确定性智能诊断系统。该系统使用补偿模糊运算，并将小波神经网络和模糊逻辑相结合，充分利用了相互间的优点，对处理故障诊断这类复杂、非线性及非确定性问题具有强大的功能。模糊小波神经网络不仅能自适应地调整输入输出模糊隶属函数，也能借助于补偿逻辑算法动态优化相应的模糊推理。由于补偿模糊小波神经网络引入了补偿模糊小波神经元，能使网络从初始定义的模糊规则开始训练，使网络容错率更高，系统更稳定。
5.分析了异步电机的主要故障模式及其故障机理，并建立了转子断条及匝间短路故障的暂态仿真模型，同时对转子断条故障及匝间短路故障进行了实验研究。通过对大量仿真及实验数据的详尽分析，系统地总结了转子断条及匝间短路故障特征。在此基础上，提出了基于小波神经网络与广义谐波小波包滤波技术的异步电机转子断条及匝间短路多故障检测方法；在进一步分析的基础上，提出了基于扩展Park矢量变换与模糊小波神经网络的转子断条及匝间短路故障检测方法。实验结果表明该方法是切实可行的。
6.本文最后就CBM开放系统的概念和结构进行研究，开发了基于CBM的故障维护应用平台。针对CBM体系结构和标准，充分利用现代分布式网络化技术，以Web Service技术为基础，完成CBM框架定义的组件模块设计，实现基于WebService的分布式故障维护应用平台的开发工作。