發(fā)布時間：2018-07-20 18:58

【摘要】：隨著生產自動化程度的提高，為了保證機械設備高效安全的運行,故障診斷系統(tǒng)已成為機械設備中不可缺少的一部分。結合當前故障診斷和狀態(tài)監(jiān)測的發(fā)展趨勢和要求，本學位論文從機械故障聚類分析和可視化表達角度出發(fā)，結合自組織映射神經網絡的最新研究成果，改進了自組織映射(Self-Organizing Map. SOM)網絡的學習算法，縮短了樣本學習時間；研究了基于自組織神經網絡的高維數據可視化方法，并將改進后的SOM網絡運用于機械設備的故障診斷中。本課題的研究旨在提高SOM神經網絡自組織學習的效率，尋求高維數據可視化方法，為機械設備故障診斷和狀態(tài)監(jiān)測等提供新方法、新工具；并進一步豐富和發(fā)展機械設備狀態(tài)監(jiān)測和故障診斷智能化的基礎理論和方法。 本文提出了一種基于自組織神經網絡的故障診斷算法改進及可視化研究方案，其主要研究工作如下： （1）探討了SOM神經網絡在故障診斷方面的國內外應用及研究現狀，研究了SOM網絡的算法原理及其在故障診斷領域的應用。 （2）闡述了自組織神經網絡算法，并針對Kohonen競爭學習機制中有些結點始終不能獲勝的問題，對匹配神經元策略進行了改進；同時，由于網絡訓練由任意初始條件開始，網絡結構完全由經驗決定，針對這一缺陷，本文還提出了一種動態(tài)神經元數目改進方案。 （3）針對網絡學習得到的知識隱藏于連接權值中，對神經網絡的可視化理論進行研究，對自組織網絡診斷系統(tǒng)進行可視化，并對U-矩陣可視化算法進行了改進，為動態(tài)監(jiān)測被檢測對象的運行狀態(tài)提供了新的方法。 （4）以滾動軸承為研究對象，MATLAB7.0為開發(fā)工具，對該方案進行了驗證。結果表明：該方案生成一種更靈活的拓撲結構以便能更好的匹配復雜數據分析問題；同時縮短了SOM計算時間。 最后，對全文作了總結回顧，歸納本文提出的方案能夠解決的問題，指出了SOM在機械故障診斷方面值得關注及研究的方向。
[Abstract]:With the improvement of production automation, in order to ensure the efficient and safe operation of mechanical equipment, fault diagnosis system has become an indispensable part of mechanical equipment. According to the development trend and requirements of fault diagnosis and condition monitoring, this dissertation improves the self-organizing map from the point of view of clustering analysis and visual representation of mechanical faults and the latest research results of self-organizing mapping neural networks. The learning algorithm of SOM) network shortens the sample learning time, studies the high dimensional data visualization method based on self-organizing neural network, and applies the improved SOM network to fault diagnosis of mechanical equipment. The purpose of this research is to improve the efficiency of SOM neural network self-organization learning, to seek high-dimensional data visualization methods, and to provide new methods and tools for mechanical equipment fault diagnosis and condition monitoring. And further enrich and develop the basic theory and method of condition monitoring and fault diagnosis of mechanical equipment. In this paper, an improved and visualized algorithm for fault diagnosis based on self-organizing neural network is proposed. The main research work is as follows: (1) the application and research status of SOM neural network in fault diagnosis at home and abroad are discussed. In this paper, the algorithm principle of SOM network and its application in fault diagnosis are studied. (2) Self-organizing neural network algorithm is expounded, and the problem that some nodes in Kohonen competitive learning mechanism can not win is discussed. At the same time, the network training begins with arbitrary initial conditions, and the network structure is completely determined by experience. This paper also proposes a dynamic neuron number improvement scheme. (3) aiming at the knowledge of network learning hidden in the connection weight, the visualization theory of neural network is studied, and the self-organizing network diagnosis system is visualized. The U- matrix visualization algorithm is improved to provide a new method for dynamic monitoring of the running state of the detected object. (4) taking rolling bearing as the research object, MATLAB 7.0 as the development tool, the scheme is verified. The results show that the proposed scheme generates a more flexible topology to better match the complex data analysis problem and shortens the SOM computing time. Finally, the paper summarizes and reviews the full text, sums up the problems that can be solved by the scheme proposed in this paper, and points out that SOM is worthy of attention and research direction in the field of mechanical fault diagnosis.
【學位授予單位】：湖北工業(yè)大學
【學位級別】：碩士
【學位授予年份】：2012
【分類號】：TH165.3

【相似文獻】

相關期刊論文 前10條

1 陳明津;;機動車常見故障總結及對策[J];科技致富向導;2011年24期

2 李英杰;;電動機常見故障的診斷和排除[J];科技致富向導;2011年24期

3 朱莉;;氧傳感器在故障診斷中的作用探討[J];科技致富向導;2011年21期

4 肖翔;;支持向量機在變壓器故障診斷中的應用[J];科技資訊;2011年15期

5 郭玉鵬;時和平;巢蕾;;通信裝備故障診斷貝葉斯網絡[J];兵工自動化;2011年07期

6 喻步賢;;數控磨床電主軸常見故障診斷與分析[J];機床與液壓;2011年12期

7 魏亦東;;淺談變電設備試行狀態(tài)的檢修[J];科技促進發(fā)展(應用版);2010年08期

8 王思臣;于潞;劉水;周洪霞;;自動測試技術在故障診斷中的應用綜述[J];科技信息;2011年17期

9 史麗萍;時培磊;常偉;高月奎;;煤礦繼電保護專家系統(tǒng)的開發(fā)[J];煤礦安全;2011年08期

10 張海南;胡學雄;;振動分析技術在軋輥磨床故障判斷中的應用[J];中國設備工程;2011年08期

相關會議論文 前10條

1 郎豪翔;馮志敏;王穎;王炳輝;;自組織神經網絡在軸系故障診斷中的應用性研究[A];制造業(yè)與未來中國——2002年中國機械工程學會年會論文集[C];2002年

2 劉仁德;胡申輝;徐家倬;;磨煤機的故障診斷[A];第十屆全國設備監(jiān)測與診斷技術學術會議論文集[C];2000年

3 戴樂云;李建康;;振動信號時間序列建模在故障診斷中的應用[A];振動工程學報（工程應用專輯）[C];2001年

4 李曉棟;胡清華;;汽輪機故障診斷文本支持系統(tǒng)的研究與建立[A];2004電站自動化信息化學術技術交流會議論文集[C];2004年

5 王航;于歆杰;;遺傳算法在故障診斷中應用的新方法[A];2005年中國智能自動化會議論文集[C];2005年

6 單鴻鵬;關月紅;;頻譜分析技術在滾動軸承故障診斷中的應用[A];設備監(jiān)測與診斷技術及其應用——第十二屆全國設備監(jiān)測與診斷學術會議論文集[C];2005年

7 張珍;韓厚德;陳寶忠;;基于衛(wèi)星通信的船舶冷藏集裝箱遠程故障診斷系統(tǒng)[A];制冷空調新技術進展——第四屆全國制冷空調新技術研討會論文集[C];2006年

8 衛(wèi)紅梅;段滋華;;高速回轉軸油膜振蕩故障診斷分析[A];2006年石油和化工行業(yè)節(jié)能技術研討會會議論文集[C];2006年

9 陽能軍;湯偉;龍憲海;雷濤;;EMD及其在聲發(fā)射檢測中的應用研究[A];2008年全國振動工程及應用學術會議暨第十一屆全國設備故障診斷學術會議論文集[C];2008年

10 蔡勇;王曉武;潘衛(wèi)明;;基于瞬時轉速的斯特林發(fā)動機循環(huán)系統(tǒng)故障診斷研究[A];2008年全國振動工程及應用學術會議暨第十一屆全國設備故障診斷學術會議論文集[C];2008年

相關重要報紙文章 前10條

1 李春成，，查道軍;汽車驅動橋故障診斷口訣[N];中國汽車報;2002年

2 王斌;電腦的日常維護與故障診斷[N];中國老年報;2001年

3 王梅霞;萊鋼快速推進設備狀態(tài)監(jiān)測與故障診斷工作全面啟動[N];世界金屬導報;2007年

4 陳全東;BGF11-600型干式復合故障診斷[N];中國包裝報;2003年

5 湖南 朱晶澤;多媒體音箱故障診斷經驗談[N];電腦報;2001年

6 武漢科技學院紡織服裝學院 林子務;故障診斷中的數學概念[N];中國紡織報;2004年

7 黃安華;液壓制動系統(tǒng)的故障診斷[N];中國汽車報;2002年

8 周傳勇 杜慧;濟鋼設備點檢與故障診斷管理系統(tǒng)上線運行[N];中國冶金報;2008年

9 李萍;濟鋼EAM離線網絡點檢和故障診斷管理系統(tǒng)開發(fā)應用[N];世界金屬導報;2007年

10 胡榮山 馬巍;上海海大一課題列入國家“863”計劃[N];中國船舶報;2007年

相關博士學位論文 前10條

1 宋其江;基于有向圖模型的故障診斷方法研究及其在航天中的應用[D];哈爾濱工業(yè)大學;2010年

2 陳非;基于過程信息融合的旋轉機械信息（火用）故障診斷研究[D];華中科技大學;2010年

3 馮志鵬;計算智能在機械設備故障診斷中的應用研究[D];大連理工大學;2003年

4 何小斌;基于統(tǒng)計學方法的自適應過程監(jiān)控與故障診斷[D];上海交通大學;2009年

5 宋凱;基于PLS的統(tǒng)計質量監(jiān)控研究與應用[D];浙江大學;2005年

6 李敏;復雜機械基于數據的建模與故障診斷[D];太原理工大學;2010年

7 魯峰;航空發(fā)動機故障診斷的融合技術研究[D];南京航空航天大學;2009年

8 蔣斌;機電系統(tǒng)故障診斷的理論與應用研究[D];浙江大學;2002年

9 盛晨興;挖泥船動力機械遠程診斷系統(tǒng)關鍵技術研究[D];武漢理工大學;2009年

10 曹龍漢;柴油機智能化故障診斷技術研究[D];重慶大學;2001年

相關碩士學位論文 前10條

1 吳雪茹;基于自組織網絡的故障診斷算法改進及可視化研究[D];湖北工業(yè)大學;2012年

2 王明秀;大型汽輪發(fā)電機故障診斷專家系統(tǒng)診斷處理子系統(tǒng)的研究[D];華北電力大學;2001年

3 劉峰;基于神經網絡的水輪發(fā)電機組振動故障診斷專家系統(tǒng)的研究[D];西安理工大學;2003年

4 許東;地空導彈混合智能故障診斷專家系統(tǒng)的設計與實現[D];西北工業(yè)大學;2002年

5 石金彥;基于規(guī)則的數據挖掘方法在故障診斷中的應用[D];鄭州大學;2003年

6 周春健;基于小波變換的旋轉機械故障診斷[D];南京航空航天大學;2004年

7 陳潔;基于Web的遠程監(jiān)測與故障診斷系統(tǒng)研究[D];武漢科技大學;2004年

8 辛惠娟;汽車發(fā)動機故障診斷專家系統(tǒng)的開發(fā)研究[D];華北電力大學（河北）;2004年

9 劉滿國;基于小波的導彈測試信號處理與故障診斷[D];西北工業(yè)大學;2005年

10 朱勝利;關于獨山子煉油廠進料泵的故障診斷[D];新疆大學;2002年

本文編號：2134455