基于EMD樣本熵和BP神經(jīng)網(wǎng)絡的乳化機故障診斷系統(tǒng)研究.pdf

1、乳化炸藥作為一種新式環(huán)保型炸藥，具有爆轟猛度強、抗水性良好等特點。同時乳化炸藥生產(chǎn)工藝簡單、產(chǎn)能大、生產(chǎn)成本低使得它在我國民爆行業(yè)得到了廣泛應用。乳化機是乳化炸藥連續(xù)化、自動化生產(chǎn)線的核心設備，它是一種改良的旋轉(zhuǎn)機械設備，且具有高速旋轉(zhuǎn)的特性。要是內(nèi)部器械運轉(zhuǎn)異常，不僅會破壞生產(chǎn)工序的連續(xù)性能，影響產(chǎn)能和質(zhì)量，嚴重情況下還會發(fā)生機毀人亡的安全事故，造成巨大的經(jīng)濟損失和社會影響。為了能準確地檢測出乳化機潛藏的故障，提高維修效率，保證設備安

2、全，本文研制了一套乳化機故障檢測和診斷系統(tǒng)，并在實際生產(chǎn)中得到成功應用。
　　本文主要針對轉(zhuǎn)子故障、軸承故障等常見故障類型，在研究各類型的故障機理和發(fā)生征兆的基礎上，首先提出基于樣本熵的振動信號故障特征提取方法。針對樣本熵對原始信號獲取有限，故障特征區(qū)分度不高的缺陷，提出經(jīng)驗模式分解方法(Empirical Mode Decomposition，簡稱EMD)預處理樣本熵的故障特征提取方法。該方法利用EMD先把振動信號分解為若干個固

3、有模態(tài)函數(shù)(Intrinsic Mode Function，簡稱IMF)，然后選取若干具有代表性的IMF分量，將這些分量的樣本熵組成向量作為故障特征。EMD方法能將蘊藏在信號內(nèi)部的信息挖掘出來，有效克服樣本熵對信息獲取的局限性。結果表明，EMD結合樣本熵的方法不僅能夠區(qū)分不同類型的故障種類，還能提高了識別系統(tǒng)的容錯率。神經(jīng)網(wǎng)絡具備強非線性映射，以及自學習、自組織和自適應的能力。將提取的故障特征作為BP神經(jīng)網(wǎng)絡的輸入，通過整理乳化機正常和

4、故障的振動歷史數(shù)據(jù)，分別構造了振動特征參數(shù)的正常及故障狀態(tài)的訓練樣本，并用訓練好的神經(jīng)網(wǎng)絡進行故障類型識別。結果表明，BP神經(jīng)網(wǎng)絡能快速地識別出滾動軸承的故障類型，診斷效果良好。
　　在乳化炸藥生產(chǎn)線現(xiàn)有設備的基礎上完成硬件配置，基于工業(yè)控制軟件組態(tài)王平臺實現(xiàn)對PLC的數(shù)據(jù)交互，通過VB調(diào)用MATLAB神經(jīng)網(wǎng)絡功能實現(xiàn)上位機故障診斷系統(tǒng)的開發(fā)。實踐結果表明，本文構建的乳化機故障診斷系統(tǒng)能夠根據(jù)實際數(shù)據(jù)準確地識別出乳化機的故障類型，