论文部分内容阅读
随着科学技术的进步与生产力的发展,机械设备运行的复杂性增加,故障诊断技术也得到大家的重视。针对压缩机的气阀故障诊断,Hilbert-Huang变换作为一种新发展起来的具有自适应的时频分解能力的信号处理方法,能够较好的实现故障特征的提取。另外,BP神经网络具有较强模式识别能力,对于解决故障分类具有独特的优势,但是传统的BP算法具有寻优速度慢,易陷入局部极小的缺点,针对这点,本文引入了主成分分析和一种遗传-粒子群算法分别改善BP网络的结构和算法的优化。在采集到的气阀加速度振动信号基础上,利用Hilbert-Huang提取信号特征,主成分分析进行降维,将这种遗传-粒子群算法用于BP神经网络的参数优化实现对压缩机气阀状态的识别。本篇论文可以分为以下几个部分的内容:(1)简单介绍了课题的研究背景与意义,分析了压缩机气阀常见的故障诊断方法和存在的问题;(2)介绍了短时傅里叶变换和小波变换两种十分常用和典型的信号处理方法,并结合压缩机气阀的仿真分析,总结了该两种方法的局限性;(3)在Hilbert-Huang的基础上提出一种压缩机气阀的特征提取方法:首先进行降噪步骤,然后通过Hilbert-Huang处理方法提取出固有模态函数分量信号的能量特征与边际谱小区间特征,两种特征够成特征向量,最后利用主成分分析法对特征向量进行降维处理;(4)简要介绍了人工神经网络,引出了BP神经网络的原理、算法等;利用特征提取方法得到四种工况的特征向量,使用标准的BP神经网络对压缩机气阀各类故障的识别和分类。最后分析识别结果,总结标准的BP算法所存在的局限性;(5)提出了一种遗传-粒子群(GA-PSO)算法优化BP神经网络,在粒子群算法(PSO)的基础上融入遗传算法(GA)的步骤得到本文的遗传-粒子群算法,该算法结合了粒子群和遗传算法各自的优点,将该遗传-粒子群算法用于BP神经网络的参数优化过程。最后通过利用三种网络分别是标准BP网络、PSO-BP网络、GA-PSO-BP网络对压缩机气阀进行故障诊断,测试验证了GA-PSO-BP神经网络对压缩机气阀故障诊断优于另外两种网络,具有可行性。(6)总结全文