旋转机械的故障特征提取方法实现与验证
关键词 旋转机械 故障诊断 特征提取 经验模态分解
毕业设计说明书（毕业论文）外文摘要
Title Implementation and verification of rotating
machinery fault feature extraction method
Abstract
With the development of modern industry, the status of rotating machinery in the power, chemical and other industries is becoming increasingly important. Machinery equipment fault diagnosis technology for ensuring safe, reliable and efficient operation has important theoretical significance and application value. Fault diagnosis of rotating machinery consists of three parts, i.e. fault signal acquisition, fault feature information extraction, and pattern recognition. Fault feature extraction as one of the most critical issues affects the accuracy of fault diagnosis and fault early warning reliability. Methods based on empirical mode decomposition (Empirical Mode Decomposition, EMD) and neural network have been developed in recent years. In this thesis, the empirical mode decomposition time-frequency analysis and neural network technology are combined to form a rotating machinery fault diagnosis system.
Keywords Rotating Machinery Fault diagnosis Feature Extraction Empirical Mode Decomposition
目 次
1 引言（或绪论）1
1.1旋转机械故障诊断的研究意义 1
1.2旋转机械故障诊断的国内外研究现状1
1.3基于EMD时频分析方法3
1.4本文的主要内容和结构安排4
2 基于EMD时频分析基本理论和算法6
2.1基本概念 6
2.2EMD方法的基本原理 6
3.人工神经网络9
4基于EMD和BP网络的旋转机械故障诊断方法13
4.1振动信号层13
4.2EMD分解层16
4.3特征向量提取层16
4.4神经网络训练层16
4.5故障模式分类层16
5算法18
5.1EMD算法18
5.2 BP神经网络算法20
6实验内容23
6.1数据处理23
6.1.1数据分析23
6.1.2特征值提取24
6.1.3数据规格化25
6.2实验步骤27
6.3实验结果28
结论 30
致谢 31
参考文献32
1引言
1．1 旋转机械故障诊断的研究意义
汽轮机、发电机、离心压缩机等旋转机械是机械、电力、冶金、化工、航空等军事工业部门的关键设备。伴随着工业的现代化以及科学技术的发展，机械自动化程度日趋提高，旋转机械的发展方向逐步迈向大型化、集中化、连续化、高速化、自动化。并且生产线各个设备之间联系的紧密性也越来越高。发展有效的设备状态监测和故障诊断技术成为当今设备管理和文修的迫切需求[1]。由于各种随机因素的影响,再加上其结构复杂,工作在高温、高速的恶劣条件下,旋转机械比较容易发生各种机械故障,降低或失去一定的功能[2]。因此，生产系统中设备因种种因素出现故障必然导致连锁反应，使得生产线停顿或者终止。轻则面临巨大的经济损失，重则会引发重大人员伤亡事故。现实生产作业中的例子不胜枚举，如1999年阜新电厂1#汽轮发电机组轴系断裂事故，不仅造成巨大经济损失，还对当地电力供应和正常生产造成严重影响；2003年我国海军的一艘潜艇在训练时发生故障，酿成惨剧，使得70名官兵全部牺牲。
下一篇：环氧树脂混凝土的强化和稳定性研究