基于BP神经网络的风机故障诊断-开题报告

毕业设计(论文)开放报告学生名称：学习编号：全职：设计(论文)标题：基于神经网络的风机故障诊断研究指导教师：2012年3月8日建立问题报告的需求1.毕业设计(论文)答辩委员会关于学生回答资格审查的基础资料之一，包括“文献审查”在内的提问报告。这份报告应在讲师指导下，让学生在毕业设计(论文)工作前期间填写，讲师签署意见和学科进行审查后生效。2.开题报告内容必须用黑墨水笔整齐地写，或以教务处统一设计的电子文件标准格式打印。禁止在其他纸张上打印后剪贴，完成时要给指导教师签名意见。3.“文献复习”要以论文形式写，在本开题报告第一段直接写(或打印)，研究生写文献考察的参考文献不低于10篇(词典，手册除外)。4.年月日等日期记载必须按照国家标准时间GB/t7408-94 数据元和交换格式、信息交换、日期和时间表示法规定总是用阿拉伯数字填写。如2002年4月26日或2002-04-26。开设正式的计策(论文)报告问题1.结合毕业项目(论文)课题情况，根据阅览的文献资料各自写2000字左右的文献回顾：语句提供摘要一、本主题研究的目的和意义能源问题是当今社会亟待解决的问题之一。可再生能源的开发和利用，特别是风能的开发和利用，已经成为全人类关注的焦点。风力发电机是风能转换的基础设施，在整个风力发电系统中起着举足轻重的作用，对此正确及时的故障诊断是工程应用中非常重要的问题1。设备故障诊断技术是20世纪60年代出现和发展起来的综合性边界学科，涵盖数学、物理、化学、力学、声学、机械、电子技术、传感技术、计算机技术、信号处理技术等多个学科的综合工程科学2。通常，设备诊断技术是通过各种先进设备收集、分析和处理具有机械和电气设备特定特性的各种动态信息的技术，对机械和电气设备的异常性能进行分离、识别或确认，然后识别异常征兆的原因、发生部分和严重性，预测发展趋势的技术，3。滚动轴承是机械设备中最常用的部件，被称为机械关节。具有效率高、摩擦阻力小、装配方便、润滑方便的优点，在旋转机械中起着非常普遍和关键的作用4。可以说是工业、农业、国防、科学技术和家电等各个领域的主机，其准确度、性能、寿命、可靠性及各种经济指标都与轴承密切相关，轴承产业的发展也与我国主要技术装备的制造水平和机械设备的出口能力有关。轴承在国民经济和国防建设中发挥着越来越重要的作用。滚动轴承也广泛应用于风力涡轮机。偏航系统轴承、节距系统轴承和驱动系统轴承6。风力发电机机舱一般安装在50 80米高的塔上，由于工作条件差，温度、湿度变化多，载荷情况复杂，对各部分安装的滚动轴承要求更高7。据统计，风力发电机各种故障中滚动轴承故障占相当大的比重。这是因为机械设备中工作条件最差的零件滚动轴承在机械设备中负载转移负载，并且根据工作状态是否正常，通常会直接影响整个机器的性能。因此滚动轴承的故障诊断方法一直是机械故障诊断的重点技术之一。滚动轴承还有一个大特征，与其他机械零部件相比，其寿命非常不连续。某些轴承运行正常，远远超过设计寿命，而某些轴承未达到设计寿命，从而导致各种错误。因此，按照设计寿命定期维修轴承，可以报废超过设计寿命运行的轴承，从而造成浪费。另一方面，没有达到设计寿命，故障的轴承在定时修理时去掉，用作报废处理。因此，轴承故障后和拆卸前这一期间机器的操作精度下降，或者维修时间前发生严重故障，整个机器发生了严重事故8。这对于正确诊断风扇滚动轴承故障，减少或消除事故发生，最大限度地提高轴承的工作潜力，降低成本具有重要意义9。二、滚动轴承故障诊断的基本内容和方法滚动轴承故障排除是通过观察、分析和处理反映轴承工作状态的信号来确定轴承状态。因此，在某种程度上，轴承故障诊断可以说是轴承状态识别。整个轴承故障诊断系统必须包含以下5个链接10:(l)信号测量：根据轴承的工作环境和特性选择和测量反映轴承工作或状态的信号。(2)特征提取：从测量的信号中提取出反映轴承状态的有用信息，作为恒定信号分析和处理方法。(3)状态识别：通过基于征兆的恒定状态识别方法识别轴承的状态。也就是说，您可以简单地判断轴承是否工作或是否有故障。(4)诊断分析：根据征兆进一步分析状态的情况及其发展趋势。如果轴承有缺陷，请详细分析错误的类型、特性、零件、原因和趋势等。(5)决策干预：根据状态和发展趋势进行调整、修复或监控等评估和决策。根据测量信号的特性，滚动轴承故障诊断有温度法、油样法、振动法等。温度方法仅在故障达到一定严重性时工作，对轴承早期磨损导致的小故障几乎没有反应。油样方法仅适用于油润滑轴承。此方法还通过润滑剂提取的油样本的金属粒子大小和形状来确定轴承的状态，因此容易受到其他非轴承损坏而下落的粒子的影响。振动方法实际上被广泛使用，因为：具有适合各种工作条件的轴承。早期错误：信号采集和处理的有效诊断简单直观；诊断结果可靠性和其他特性11。三、国内外研究概况和发展趋势滚动轴承的故障诊断可能从20世纪60年代开始在国外。在随后几十年的发展过程中，各种方法和技术不断创建、开发和改进，应用领域不断扩大，诊断的可行性不断提高。一般滚动轴承故障诊断的发展经历了以下几个阶段12，13。步骤：使用通用频谱分析仪诊断轴承故障。20世纪60年代中期，快速傅立叶变换(FFT)技术的出现和发展使振动信号的频谱分析有了很大的发展。通过比较滚动轴承零部件损坏时产生的振动信号的固有频率计算和使用频谱分析器进行实际分析的结果，确定滚动轴承是否有缺陷12。:的第二阶段使用冲击脉冲技术诊断轴承故障。20世纪60年代末，瑞典SPM instrument开发了冲击脉冲计，根据冲击脉冲的最大值诊断轴承故障。此方法更有效地检测轴承的初始损坏类错误12。:的第三阶段使用谐振解调技术诊断轴承故障。1974年，美国波音公司的D.R.Harting发明了名为“共振解调分析系统”的专利。共振解调技术比冲击脉冲技术对轴承早期损伤类缺陷更有效。共振解调技术不仅可以诊断轴承是否有故障，还可以确定故障轴承零部件和故障的大概严重性13。步骤4 :开发了以计算机为中心的滚动轴承监控和故障诊断系统。20世纪90年代以来计算机技术的迅速发展以计算机为中心的滚动轴承故障诊断系统的开发引起了国内外研究者的关注计算机信号分析和故障诊断系统灵活、适应性强，易于维护和升级，易于13卷展栏和应用。随着信号检测技术、计算机技术、数字信号处理技术、人工智能技术的迅速发展，轴承问题的解决已经成为将数学、物理、力学等自然科学与计算机技术、数字信号处理技术、人工智能技术融合在一起的综合领域。与传统诊断方法相比，目前的研究方向主要表现在以下方面14，15:(l)小波变换从20世纪80年代末开始，应用数学的一个分支小波变换迅速展开。小波变换由于时间、频域局部化和可变时频窗口的特性，比传统傅立叶变换更适合分析异常信号。滚动轴承的损坏故障信号是一般的异常信号，因此使用小波变换处理轴承振动信号可以更有效地获取故障特征信息14。(2)专家系统近年来随着人工智能技术的发展，专家系统技术迅速普及。所谓专家系统是一种智能计算机程序，它模拟专家处理问题的几种推理方法，利用现有的知识和经验构建模型，解决问题。将知识库专家系统技术应用于故障诊断领域，可以更准确、更可靠地进行滚动轴承诊断分析和决策分析14。(3)模糊诊断滚动轴承振动信号的故障特征振动与故障类型没有绝对对应关系，因此一个故障可能导致多个特性，一个故障特征可能对应多个类型的故障，因此近年来，在轴承故障诊断领域引入了模糊理论。轴承故障模糊诊断的概念是模糊概念，可以用模糊集来表示，而模糊转换运算是用于讨论模糊判断和推理的15。(4)神经网络轴承故障排除的目的是通过确定错误位置处的错误特性来确定错误发生的程度。神经网络具有处理复杂的多模式和执行关联、估计和内存的功能，因此近年来在故障诊断领域引起了广泛的关注15。四、BP神经网络在故障诊断中的应用诊断的本质是分析故障的症状和故障的原因，根据症状推断故障的原因，并将人工神经网络应用于故障诊断。也就是说，使用人工神经网络模拟人脑的推理功能来诊断问题。人工神经网络在故障诊断中有非常重要的应用价值，训练人工神经网络存储过程的相关知识。人工神经网络故障诊断方法的最大特点是，在模式空间内可以形成多种复杂的判断表面，网络具有适应性，网络不仅具有适应性，还具有适应性，可以调整网络大小；同时具有模式识别和特征提取的作用。因此人工神经网络故障诊断不需要以输入的模式为特征，网络的隐藏层本身就具有特征提取功能。此外，神经网络故障诊断一般对输入模式信息的不完整或特征的缺陷不太敏感。也就是说，网络具有容错能力17。人工神经网络故障诊断与传统的故障诊断方法相比，背景噪声的统计特性未知时性能优越，网络泛化能力强。特别是神经网络适合解决问题的原因是以下三个原因：(l)训练有素的神经网络存储了该过程的知识，可以直接从数量和历史失败信息中学习。可以根据对象的正常历史数据对网络进行培训，然后将此信息与当前测量数据进行比较，以确定故障类型18。(2)神经网络具有过滤噪声，有噪声的情况下得出正确结论的功能，具有识别故障信息，在噪声环境下有效工作的神经网络，以及适于在线故障检测和诊断的功能。19。(3)神经网络有区分原因和故障类型的能力。滚动轴承故障特性和故障诊断模式之间的非常复杂的非线性关系，BP神经网络以全新的想法处理这些问题，具有很强的综合分析功能，在非线性近似中尤为强大，理论上，如果神经元足够多，就会接近任意复杂的非线性系统20。因此，基于BP神经网络的滚动轴承故障诊断是适当的。五、本主题的主要研究内容本文的主要研究内容包括风机滚动轴承故障特性分析、相应的特征参数提取和风机滚动轴承故障诊断系统设计。采用BP神经网络技术诊断风机滚动轴承故障。本白皮书的工作包括：1、阐述了风扇故障诊断研究的目的和重要性。BP神经网络在故障诊断中的应用。2、风机滚动轴承故障机理及特性研究。3、综合介绍了人工神经网络的发展概况、基本原理、结构和学习过程，对传统的BP神经网络进行了分析和论述。4、利用BP神经网络对风机滚动轴承部分进行故障诊断分析。参考文献1宫景远。风力发电工程技术应用m。北京：机械工业报道，2004，42俞和智。故障诊断的基本原理m。北京：冶金产业出版社，2006，23雷桂瑶。机械故障诊断基础m。西安：西安交大出版社，2004，64生国游。滚动轴承质量检查m。北京：中国计量出版社2005，1儒家，严风。中国轴承制造技术现状及发展趋势j。轴承，2005，(6): 35-386阳口。风力发电机滚动轴承j。轴承，2003，5 (2): 42-487媛媛，叶亚飞。风力发电机专用轴承j。轴承，2004，3 (2): 25-278陈列柜滚动轴承振动故障诊断实践j。轴承，2006，15 (3): 168-1729深水服，古代用。设备故障诊断技术m。北京：科学出版社，2005，410梅氏红彬，进步。设备故障诊断技术应用研究j。故障诊断，2003，8 (2) 33363678-8211李红，曲中兼用实用轴承技术m。辽宁省：科学技术出版社，200112王江平。机械设备故障诊断技术的应用研究J。西北工业大学学报，2001，3 (8): 4513 Silva j l，marques card oso a j，bearing failures diagnos in three-phase introduction motors by extended park s vector approars14陈伯，马晓康。滚动轴承故障诊断数据库系统的设计与应用j。滚动轴承，2006，40 (11) :585-39215 Brown Fu Z，Haynes D J，a new method of non-stationary signal analysis for control m