線材精軋機典型故障診斷及故障趨勢預(yù)報.pdf

1、近20年來，機械故障診斷和預(yù)測技術(shù)取得了矚目的發(fā)展。首先，體現(xiàn)在機械故障診斷技術(shù)與其它相關(guān)前沿學(xué)科的結(jié)合。這種結(jié)合必然會促進機械故障診斷技術(shù)的發(fā)展；其次，體現(xiàn)在對機械設(shè)備的實時監(jiān)測。人們可以時刻了解機械設(shè)備當(dāng)前的運行狀況，并且能夠?qū)硪欢螘r間內(nèi)設(shè)備的運行狀況加以預(yù)測，及時、適時地進行維修，盡量減少和縮短停車時間，高效率地利用設(shè)備，以達到提高經(jīng)濟效益的目的。 作者針對鞍鋼線材廠精軋機組設(shè)備進行振動信號采集。由于檢測過程中測試系統(tǒng)

2、外部和內(nèi)部各種因素的影響，測試時所得的信號必然夾雜著許多不需要的成分。這樣就需要對所得信號做初步加工處理，修正波形的畸變，剔除混雜在信號中的噪聲干擾。因此，論文第三章首先研究了信號預(yù)處理技術(shù)，其中包括消除趨勢項、平滑處理和信號消噪技術(shù)。故障特征提取是故障診斷中的核心環(huán)節(jié)，直接決定了故障分類和故障程度。由于振動信號的峰值指標(biāo)、頻譜特征幅值以及小波系數(shù)能量值都能夠有效地表征軋機的故障信息，因此本文第三章以上述三者為特征值，對精軋機組振動信號

3、分別進行時域特征提取、頻域特征提取和小波變換特征提取。 神經(jīng)網(wǎng)絡(luò)是一個具有高度非線性的超大規(guī)模連續(xù)時間動力系統(tǒng)，具有非線性映射、快速并行分布處理、自組織自學(xué)習(xí)以及魯棒性等特點，廣泛應(yīng)用于非線性控制、故障診斷等領(lǐng)域。因此，本文第四章采用了BP神經(jīng)網(wǎng)絡(luò)故障診斷模式，針對軋機典型故障建立神經(jīng)網(wǎng)絡(luò)模型，將峰值指標(biāo)、頻譜特征幅值以及小波系數(shù)能量值作為神經(jīng)網(wǎng)絡(luò)的輸入，將各種典型故障模式作為輸出，利用特征向量與故障征兆之間的對應(yīng)關(guān)系，實現(xiàn)了軋