基于BP神经网络的风机故障诊断-开题报告

毕业设计(论文)开题报告学生姓名：学号：专业：设计(论文)题目：基于神经网络的风机故障诊断研究指导教师：2012年3月8日开题报告填写要求1．开题报告（含“文献综述”）作为毕业设计（论文）答辩委员会对学生答辩资格审查的依据材料之一。此报告应在指导教师指导下，由学生在毕业设计（论文）工作前期内完成，经指导教师签署意见及所在系审查后生效；2．开题报告内容必须用黑墨水笔工整书写或按教务处统一设计的电子文档标准格式打印，禁止打印在其它纸上后剪贴，完成后应及时交给指导教师签署意见；3．“文献综述”应按论文的格式成文，并直接书写（或打印）在本开题报告第一栏目内，学生写文献综述的参考文献应不少于10篇（不包括辞典、手册）；4．有关年月日等日期的填写，应当按照国标GB/T7408—94《数据元和交换格式、信息交换、日期和时间表示法》规定的要求，一律用阿拉伯数字书写。如“2002年4月26日”或“2002-04-26”。毕业设计（论文）开题报告1．结合毕业设计（论文）课题情况，根据所查阅的文献资料，每人撰写2000字左右的文献综述：文献综述一、本课题研究的目的和意义能源问题是当今社会急需解决的问题之一。对可再生能源的开发和利用，特别是对风能的开发利用，已经受到全人类的普遍关注。风力发电机作为风能转化为电能的基础设施在整个风力发电系统中有着举足轻重的作用，因此对它进行准确、及时的故障诊断是工程应用中非常重视的问题[1]。设备故障诊断技术是二十世纪六十年代产生并发展起来的综合性边缘学科，是涉及到数学、物理、化学、力学、声学、机械、电子技术、传感技术、计算机技术及信号处理技术等多种学科的综合性工程科学[2]。总的来说，设备诊断技术就是通过各种先进仪器，采集机电设备的具有某些特征的各种动态信息，并运用相关技术来分析和处理这些动态信息，用于区分、识别或确认机电设备的异常表现，然后查明其异常表现产生的原因、发生的部位以及严重程度，预测其发展的趋势，提出针对性的维护措施和处理方法的一种技术[3]。滚动轴承是机械设备中最常用的部件，被人们称为机械的关节。它具有效率高、摩擦阻力小、装配方便、润滑易实现等优点，因此在旋转机械上应用非常普遍，并且起着关键作用[4]。可以说是工业、农业、国防、科学技术和家用电器等各个领域中的主机，其精度、性能、寿命、可靠性和各项经济指标，都与轴承有着密切的联系，而且轴承工业的发展还关系着我国重大技术装备的制造水平及机械设备的出口能力。轴承在国民经济和国防建设中正在起着越来越重要的作用[5]。滚动轴承在风力发电机组中也有着广泛的应用。如偏航系统轴承、变桨距系统轴承和传动系统轴承[6]。风力发电机机舱通常安装在50～80m高的塔架上，工作条件恶劣，温度、湿度变化较大，载荷情况复杂，因此，对安装在各个部位的滚动轴承提出了更高的要求[7]。据统计，在风力发电机组的各种故障中，滚动轴承故障占有相当大的比例。这是因为滚动轴承是机械设备中工作条件最为恶劣的部件，它在机械设备中起着承受载荷和传递载荷的作用，其运行状态是否正常往往直接影响到整台机器的性能。所以滚动轴承的故障诊断方法，一直是机械故障诊断中重点发展的技术之一。此外，与其他机械零部件相比，滚动轴承有一个很大的特点，其寿命离散性很大。有的轴承已大大超过设计寿命而依然完好地工作，而有的轴承远未达到设计寿命就出现了各种故障。所以，如果按照设计寿命对轴承进行定时维修，则势必出现以下情形：一方面，把超过设计寿命而完好工作的轴承拆下来作为报废处理，造成浪费；另一方面，把未达到设计寿命而出现故障的轴承坚持使用到定时维修时拆下来作为报废处理，使得机械在轴承出现故障后和拆下前这段时间内工作精度下降，或者未到维修时间就出现严重故障，导致整个机械出现严重事故[8]。由此看来，对风机中滚动轴承故障的准确诊断可以减少或杜绝事故的发生，最大限度地发挥轴承的工作潜力，节约开支，具有重大意义[9]。二、滚动轴承故障诊断的基本内容及方法滚动轴承故障诊断就是要通过对能够反映轴承工作状态的信号的观测、分析与处理来识别轴承的状态。所以从一定程度上可以说，轴承故障诊断就是轴承状态识别。一个完整的轴承故障诊断系统应包含以下五个环节[10]:(l)信号测取:根据轴承的工作环境和性质，选择并测量能够反映轴承工作情况或状态的信号；(2)特征提取:从测量的信号中以一定的信号分析与处理方法抽取出能够反映轴承状态的有用信息；(3)状态识别:根据征兆，以一定的状态识别方法识别轴承的状态，即简单判断轴承工作是否正常或者说有无故障；(4)诊断分析:根据征兆，进一步分析有关状态的情况及其发展趋势；当轴承有故障时，详细分析故障的类型、性质、部位、产生原因与趋势等；(5)决策干预:根据状态及发展趋势，做出评价和决策，如调整、维修或监视等。按照测取信号的性质划分，滚动轴承故障诊断方法有温度法、油样法和振动法等。温度法只在故障达到一定的严重程度才起作用，其对于轴承出现的早期磨损的微小故障，基本没有反应。油样法仅适合于油润滑轴承。此外，由于该方法是通过对润滑油提取的油样中的金属颗粒大小和形状来判断轴承的状态，所以易受其他非轴承损坏掉下的颗粒的影响。振动法在实际中得到了广泛的应用，是因为其具有:适合各种类型各种工况的轴承；有效地诊断早期微小故障:信号采集与处理简单、直观；诊断结果可靠等特点[11]。三、国内外研究概况及其发展趋势滚动轴承的故障诊断在国外大概开始于20世纪60年代。在其后几十年的发展时间里，各种方法与技巧不断产生、发展和完善，应用的领域不断扩大，诊断的有效性不断提高。总的来说，滚动轴承故障诊断的发展经历了以下几个阶段[12,13]。第一阶段:利用通用的频谱分析仪诊断轴承故障。20世纪60年代中期，由于快速傅立叶变换(FFT)技术的出现和发展，振动信号的频谱分析得到了很大的发展。人们根据对滚动轴承元件有损伤时产生的振动信号特征频率的计算和采用频谱分析仪实际分析得到的结果进行比较来判断滚动轴承是否有故障[12]。第二阶段:利用冲击脉冲技术诊断轴承故障。在60年代末期，首先由瑞典SPM仪器公司开发出冲击脉冲计，根据冲击脉冲的最大幅值来诊断轴承故障。这种方法能比较有效地检测到轴承的早期损伤类故障[12]。第三阶段:利用共振解调技术诊断轴承故障。1974年，美国波音公司的D.R.Harting发明了一项叫做“共振解调分析系统”的专利。共振解调技术与冲击脉冲技术相比，对轴承早期损伤类故障更有效。共振解调技术不但能诊断出轴承是否有故障，而且可以判断出故障发生在哪个轴承元件上以及故障发生的大致严重程度[13]。第四阶段:开发以微机为中心的滚动轴承监视与故障诊断系统。20世纪90年代以来，随着微机技术迅猛发展，开发以微机为中心的滚动轴承故障诊断系统引起了国内外研究者的重视。微机信号分析和故障诊断系统不但具有灵活性高、适应性强、易于维护和升级的特点，而且易于推广和应用[13]。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，轴承故障诊断已经成为融合数学、物理、力学等自然科学和计算机技术、数字信号处理技术、人工智能技术的综合学科。与传统的诊断方法相比，目前的研究方向主要表现在以下几个方面[14,15]:(l)小波变换从80年代后期开始，作为应用数学的一个分支，小波变换得到了迅速的发展。由于小波变换在时、频域的局部化和可变时频窗的特点，与传统的傅立叶变换相比，小波变换更适合分析非稳态信号。因为滚动轴承的损伤故障信号是典型非稳态信号，所以用小波变换处理轴承振动信号，可更为有效地获得故障特征信息[14]。(2)专家系统近年来随着人工智能技术的发展，专家系统技术得到了迅速的推广。所谓的专家系统就是一个智能的计算机程序，它能模拟专家在处理问题时的一些推理方法，利用已有的知识和经验建立模型，解决问题。将基于知识的专家系统技术应用于故障诊断领域可以使滚动轴承诊断分析和决策分析更加准确可靠[14]。(3)模糊诊断由于滚动轴承振动信号中故障特征振动与故障类型不存在绝对的对应关系，一种故障可能引起多种特征，而一种故障特征可能对应多类故障，因此近年来，模糊理论被引进到轴承故障诊断领域。轴承故障模糊诊断中的概念是模糊概念，可以用模糊集合来表示，而模糊变换运算是用来讨论模糊判断和推理的[15]。(4)神经网络轴承故障诊断的目的，是从故障定位到确定故障性质，进而确定故障发生的程度，由于神经网络具有处理复杂多模式及进行联想、推测和记忆的功能，因而近年来在故障诊断领域引起了广泛的关注[15]。四、BP神经网路在故障诊断中的应用故障诊断的本质就是在分析故障症状和故障原因的基础上，由症状推断出故障的原因，人工神经网络在故障诊断中的应用，就是要用人工神经网络来模拟人脑的推断功能从而进行故障诊断。人工神经网络在故障诊断中具有十分重要的应用价值，它能通过训练人工神经网络存储关于过程的知识。人工神经网络故障诊断方法不但能在模式空间内形成各种复杂的判决表面，而且神经网络方法最大的特点是网络具有自适应能力，网络不但能自适应地学习，而且能够自适应地调整网络的大小[16]；而且它兼有模式识别和特征提取的作用。所以，人工神经网络故障诊断法不需要对输入的模式做明显的特征提基取，网络的隐层本身就具有特征提取的功能。另外，神经网络故障诊断法一般对输入模式信息的不完备或特征的缺损不太敏感，也就是说网络具有容错性[17]。相较于传统的故障诊断方法，人工神经网络故障诊断法在背景噪声统计特性未知的情况下，其性能更好，网络具有很好的泛化能力，具体来说，神经网络之所以适合于故障诊断，有以下3个原因:(l)训练过的神经网络能存储有关过程的知识，能直接从定量的、历史故障信息中学习。可以根据对象的正常历史数据训练网络，然后将此信息与当前测量数据进行比较，以确定故障的类型[18]。(2)神经网络具有滤出噪声及在有噪声情况下得出正确结论的能力，可以训练神经网络来识别故障信息，使其能在噪声环境中有效地工作，这种滤除噪声的能力使得神经网络适合在线故障检测和诊断[19]。(3)神经网络具有分辨原因及故障类型的能力。滚动轴承故障特征与故障诊断模式之间是一种非常复杂的非线性关系，而BP神经网络用一种全新的思路来处理这类问题，具有非常强大的综合分析能力，在非线性逼近上功能尤其强大，理论上只要神经元足够多，就能逼近任意复杂的非线性系统[20]。因此，用BP神经网络来进行滚动轴承故障诊断是非常合适的。五、本课题主要研究的内容本文主要的研究内容是通过对风机滚动轴承故障特征的分析，提取合适的特征参数以及设计风机滚动轴承故障诊断系统。采用BP神经网络技术，对风机滚动轴承进行故障诊断。本文所做的工作如下：1、阐述风机故障诊断研究的目的、意义。及其BP神经网络在故障诊断中的应用。2、对风机滚动轴承故障机理与特征的研究。3、全面地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，并对传统BP神经网络进行分析论述。4、运用BP神经网络，针对风机中的滚动轴承部分进行故障诊断分析。参考文献[1]宫靖远．风电场工程技术应用[M]．北京：机械工业出版社，2004，4[2]虞和济．故障诊断的基本原理[M]．北京：冶金工业出版社，2006，2[3]雷继尧．机械故障诊断基础[M]．西安：西安交大出版社，2004，6[4]盛国裕．滚动轴承质量检验[M]．北京:中国计量出版社，2005，1[5]刘桥方，严枫.我国轴承制造技术的现状及其发展趋势[J]．轴承，2005，(6)：35-38[6]杨国强．风力发电机滚动轴承[J]．轴承，2003，5(2)：42-48[7]媛媛，叶亚飞．风力发电机专用轴承[J]．轴承，2004，3(2)：25-27[8]肖述兵滚动轴承振动故障诊断实践[J]．轴承，2006，15(3)：168-172[9]沈水福，高大勇．设备故障诊断技术[M]．北京：科学出版社，2005，4[10]梅宏斌，陈波．设备故障诊断技术应用研究[J]．故障诊断，2003，8(2):78-82[11]李洪，曲中谦．实用轴承技术[M]．辽宁：科学技术出版社，2