基于BP神经网络的炼钢转炉轴承故障诊断系统

摘要

大型机械动力设备的故障诊断和整个企业的安全生产、经济效益息息相关。滚动轴承在动力机械工程领域内应用比较广泛，是发电、冶金、化工等行业的主要设备，其工作状态的好坏关系到整套系统是否正常运行。目前，滚动轴承的监测手段比较落后，一般依靠人工经验，既不及时又不准确，造成整套设备能耗大，效益差。故有必要构建可靠、实用和先进的故障监测和诊断系统，确保设备的安全、节能运行。
　　LabVIEW是一种标准的数据采集和仪器控制软件。MATLAB环境中包含神经网络工具箱，但是它在界面开发、仪器连接控制和网络通信等方面远远不如LabVIEW。故本文通过LabVIEW提供的MATLAB Script节点实现了LabVIEW和MATLAB的混合编程。
　　炼钢转炉传动机构——耳轴轴承是炼钢转炉的关键部件，为低速重载滚动轴承，其故障诊断是一个非常复杂的问题，受安装位置，运行工况等因素的影响，故障和征兆间是非线性映射关系。人工神经网络因具有联想记忆，非线性模式识别等优势，近年来在机械设备故障诊断领域得到了广泛的应用。随着计算机技术的突飞猛进，以通用微机为核心加上一定的软硬件构建故障诊断系统成为可能，且BP算法也可由LabVIEW和MATLAB混合编程来实现，故本文以LabVIEW8.2为平台，构建了基于BP神经网络的炼钢转炉轴承故障诊断系统。
　　由于耳轴轴承本身在工作中必然随旋转产生振动，其运行状况的好坏往往直接反映在振动信号中，且振动信号测试简单、直观。通过传感器所拾取的振动信号除反映有关轴承本身的工作情况外，还包含了大量其他运行部件的噪声等振动信息。因此，突出故障特征信息，抑制背景噪声，从而有效诊断出滚动轴承故障成为轴承振动监测与诊断技术的重要部分。本文对耳轴轴承的振动信号分别在时域和频域内进行分析，获得特征值并作为BP神经网络的输入，经网络分析处理后，得到最终诊断结果。
　　最后，本文对实测耳轴轴承数据进行验证，结果表明：本文提出的基于BP算法的神经网络轴承故障诊断系统具有可靠、实用的特点，作为一种模式识别技术在设备故障诊断领域有较广泛的应用前景。

目录

封面

中文摘要

英文摘要

目录

1 绪 论

1.1概述

1.2滚动轴承故障诊断方法

1.3滚动轴承振动监测与诊断技术发展概况

1.4神经网络理论在故障诊断中的应用

1.5本文的研究内容

2 滚动轴承的失效形式和振动机理分析

2.1 滚动轴承的典型结构

2.2 滚动轴承失效的基本形式

2.3 滚动轴承故障的振动机理分析[18,19]

2.4 本章小结

3 神经网络理论分析

3.1 人工神经网络概论

3.2 BP神经网络理论

3.3 BP神经网络故障诊断理论

3.4本章小结

4 诊断系统硬件组成

4.1 系统组成简介

4.2 加速度传感器系统

4.3 电涡流传感器系统

4.4 数据采集系统

4.5 网络传输设备

4.6 设备的现场布置及安装

4.7 本章小结

5 诊断系统软件设计

5.1 LabVIEW简介[27,28]

5.2 数据预处理

5.3 BP神经网络诊断系统中各参数的确定

5.4 轴承故障诊断系统的结果

5.5 软件功能

5.6 本章小结

6 结 论

致谢

参考文献

附录