基于小波神经网络的汽轮机早期振动故障诊断

摘要

文以小波分析为基础，针对早期振动故障信号具有背景噪声强，特征信号弱的特点改进传统的Donoho硬阈值降噪算法，提出了基于Shannon熵的最优小波包基降噪算法，取得了良好的效果。利用BP神经网络在故障诊断方面具有诊断精度高，学习速度快的特点与小波分析相结合，针对正常状态、轴承座松动、不对中、碰磨、裂纹五种模式下，对振动信号加以分析，运用频带能量谱分析法提取信号特征量，作为神经网络的输入向量，采用Levenberg--Marquardt学习算法，对BP网络进行有教师的训练和模式识别，并且通过实验台仿真证明，小波神经网络能够很好的进行早期振动故障的分类诊断并且具有较快的收敛速度。 在数据分析过程中，充分利用Matlab强大的数据处理、数据可视化、数字信号处理等功能，实现了数据直观有效的分析与处理。

目录

文摘

英文文摘

声明

第一章绪论

1.1故障诊断的发展

1.2故障诊断的常用方法

1.2.1基于知识的方法

1.2.2基于信号的处理方法

1.3本课题研究的目的与意义

1.4论文安排与主要内容

第二章汽轮机故障分类及特征

2.1故障分类

2.2常见故障机理及特征

2.2.1转子不平衡

2.2.2转子动静碰磨

2.2.3不对中故障

2.2.4轴承座松动

第三章小波包分析在早期故障诊断中的应用

3.1小波分析理论基础

3.1.1传统傅立叶分析

3.1.2小波分析基本理论

3.2小波包降噪

3.2.1传统Donoho阈值消噪方法及其应用

3.2.2最优小波包基降噪

3.3奇异点检测

3.4频带能量提取

3.5小结

第四章BP神经网络的智能故障诊断

4.1神经网络理论

4.2 BP算法及其网络设计

4.2.1 BP网络学习过程

4.2.2 BP网络的学习算法

4.2.3 BP网络学习公式

4.2.4 BP网络的算法

4.2.5 BP网络的设计考虑

4.2.6输入与输出层的设计

4.2.7隐含层的数目

4.2.8隐含层节点数选择

4.2.9初始值的选取

4.2.10网络参数值的选择

4.2.11训练集和测试集的选取与优化

4.3 L-M算法

第五章小波神经网络的振动分析

5.1转子实验系统

5.1.1转子实验台布置

5.1.2信号处理系统

5.1.3信号采集系统

5.1.4涡流传感器

5.2实验方案

5.3小波神经网络分析

5.3.1小波神经网络的结合途径

5.3.2实验数据的预处理

5.3.3振动故障模式识别

5.3.4网络结构的确定

5.3.5网络训练样本集的选取

5.3.6网络测试结果

第六章结论与展望

6.1结论

6.2今后工作展望

参考文献

致谢

在学期间发表的学术论文和参加科研情况