石家莊風(fēng)機(jī)廠風(fēng)機(jī)運(yùn)行狀態(tài)預(yù)測方法確定

 石家莊風(fēng)機(jī)廠 石家莊風(fēng)機(jī) 石家莊市風(fēng)機(jī)廠 石家莊風(fēng)機(jī)維修 石家莊風(fēng)機(jī)銷售

2.3.3 希爾伯特一黃變換
機(jī)械故障振動信號多表現(xiàn)為非線性、非平穩(wěn)特征，對于這樣的信號，時(shí)頻分析方法是一種有效的分析方法。其中，小波分析因其多尺度和“數(shù)學(xué)顯微”的特性，廣泛應(yīng)用于機(jī)械故障診斷中。但是由于小波分析方法本質(zhì)上是可調(diào)的窗口傅里葉變換，在應(yīng)用中會產(chǎn)生能量泄漏；而且因不具備自適應(yīng)性，在機(jī)械故障診斷中，提取特征參數(shù)時(shí)，其準(zhǔn)確度需要進(jìn)一步提高。因此，迫切需要新的理論和信號處理方法來 提 高 現(xiàn) 有 的 機(jī) 械 故 障 診 斷 水 平 。 希 爾 伯 特 一 黃 變 換 (Hilbert — HuangTransformation，簡稱 EMD)是由美國國家宇航局的 N．E．Huang 于 1998 年提出的一種新的信號分析方法。這種方法主要由兩個(gè)步驟組成：經(jīng)驗(yàn)?zāi)B(tài)分解(Empirical Mode Decomposition，簡稱 EMD)和 Hilbert 變換。其中 EMD 是關(guān)鍵。它將信號分解成有限個(gè)固有模態(tài)函數(shù)(Intrinsic Mode Function，簡稱 IMF)；每一個(gè)IMF 不論是線性或是非線性的，都具有相同數(shù)量的極值點(diǎn)和過零點(diǎn)，在相鄰的兩個(gè)過零點(diǎn)之間只有一個(gè)極值點(diǎn)，任何兩個(gè) IMF 之間是相互獨(dú)立的，這樣任何一個(gè)信號就可以被分解為有限個(gè) IMF 之和。然后對每一個(gè) IMF 進(jìn)行 Hilbert 變換，從而可以求出每一個(gè) IMP 隨時(shí)間變化的瞬時(shí)頻率和瞬時(shí)幅值，這些瞬時(shí)頻率和瞬時(shí)幅值可以揭示信號的內(nèi)在特征，最后可以得到隨時(shí)間和頻率變化的幅值分布,稱為Hilbert 譜。HHT 分析方法提出后，廣泛地用于地球物理學(xué)、生物醫(yī)學(xué)、結(jié)構(gòu)分析、設(shè)備診斷學(xué)等各個(gè)科學(xué)研究領(lǐng)域，取得了較好的效果。Huang 等人主要建立了HHT 的基本框架，分析了 HHT 的基本依據(jù)，引入了本征模函數(shù)(IMF)的概念，提出了經(jīng)驗(yàn)?zāi)B(tài)分解 EMD，定義了 Hilbert 譜和邊際譜概念，討論了 HHT 的完備性和正交性問題。研究了 HUT 在非線性系統(tǒng)分析、水波分析、風(fēng)速分析、潮汐和海嘯分析、海洋環(huán)流分析和地震信號分析等中的應(yīng)用。B．M．Gravier 通過多年的研究把 Hilbert 變換應(yīng)用到了對潛艇設(shè)備的故障診斷；鐘佑明等將 Hilbert 變換應(yīng)用在磨床的故障特征分析，取得了較好的效果。
2.4 石家莊風(fēng)機(jī)廠風(fēng)機(jī)運(yùn)行狀態(tài)預(yù)測方法確定
在信號分析的基礎(chǔ)上，選擇合適的預(yù)測方法，是確保預(yù)測精度的關(guān)鍵。
2.4.1 基于人工神經(jīng)網(wǎng)絡(luò)的預(yù)測方法
人工神經(jīng)網(wǎng)絡(luò)(ANN)是目前國際上前沿研究領(lǐng)域的一門新興交叉科學(xué)。由于其獨(dú)特的容錯(cuò)、聯(lián)想、推測、記憶、自適應(yīng)、自學(xué)習(xí)和處理復(fù)雜非線性多模式等優(yōu)點(diǎn)，神經(jīng)網(wǎng)絡(luò)技術(shù)己在故障診斷、智能控制、非線性優(yōu)化、連續(xù)語音識別等方面得到了廣泛應(yīng)用并取得了一定的成功和進(jìn)展，但仍然存在一些難以解決的問題。由于遺傳算法能夠收斂到全局最優(yōu)解，且遺傳算法的魯棒性強(qiáng)，將遺傳算法與神經(jīng)網(wǎng)絡(luò)結(jié)合起來是很有意義的，不僅能發(fā)揮神經(jīng)網(wǎng)絡(luò)的泛化的映射能力，而且使神經(jīng)網(wǎng)絡(luò)具有快速收斂性及較強(qiáng)的學(xué)習(xí)能力。遺傳算法與神經(jīng)網(wǎng)絡(luò)結(jié)合主要有兩種方式：一是用于網(wǎng)絡(luò)訓(xùn)練，即學(xué)習(xí)網(wǎng)絡(luò)各層之間的連接權(quán)值；二是學(xué)習(xí)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)。神經(jīng)網(wǎng)絡(luò)是近年來得到快速發(fā)展的科學(xué)理論之一，它是由相互廣泛連接的自適應(yīng)處理單元組成的并行計(jì)算模型。由于神經(jīng)網(wǎng)絡(luò)在模式識別、市場經(jīng)濟(jì)預(yù)測、故障分類等領(lǐng)域取得成功，使得神經(jīng)網(wǎng)絡(luò)成為研究的熱點(diǎn)。目前神經(jīng)網(wǎng)絡(luò)的進(jìn)一步研究主要集中在以下幾方面:訓(xùn)練算法、結(jié)構(gòu)優(yōu)化、硬件實(shí)現(xiàn)等。Heclt-Nielsen從Kolmogorov定理出發(fā)，證明了任何一個(gè)平方可積函數(shù)，都存在一個(gè)三層前饋網(wǎng)絡(luò)在均方差意義上與其逼近，K.J.Funalashi又證明了任意連續(xù)映射函數(shù)均可由含有隱含層且隱含層節(jié)點(diǎn)作用函數(shù)為有界連續(xù)遞增函數(shù)的三層前饋網(wǎng)絡(luò)逼近。網(wǎng)絡(luò)的訓(xùn)練算法通常采用基于最速下降的BP算法，為了克服其收斂速度慢和容易陷入局部極小點(diǎn)等問題，出現(xiàn)了許多改進(jìn)算法，這些方法有的能解決收斂速度慢的問題，但以增加算法的復(fù)雜性或增大網(wǎng)絡(luò)結(jié)構(gòu)為代價(jià)。