石家莊風機廠風機運行狀態預測方法確定

 石家莊風機廠 石家莊風機 石家莊市風機廠 石家莊風機維修 石家莊風機銷售

2.3.3 希爾伯特一黃變換
機械故障振動信號多表現為非線性、非平穩特征，對于這樣的信號，時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“數學顯微”的特性，廣泛應用于機械故障診斷中。但是由于小波分析方法本質上是可調的窗口傅里葉變換，在應用中會產生能量泄漏；而且因不具備自適應性，在機械故障診斷中，提取特征參數時，其準確度需要進一步提高。因此，迫切需要新的理論和信號處理方法來 提 高 現 有 的 機 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步驟組成：經驗模態分解(Empirical Mode Decomposition，簡稱 EMD)和 Hilbert 變換。其中 EMD 是關鍵。它將信號分解成有限個固有模態函數(Intrinsic Mode Function，簡稱 IMF)；每一個IMF 不論是線性或是非線性的，都具有相同數量的極值點和過零點，在相鄰的兩個過零點之間只有一個極值點，任何兩個 IMF 之間是相互獨立的，這樣任何一個信號就可以被分解為有限個 IMF 之和。然后對每一個 IMF 進行 Hilbert 變換，從而可以求出每一個 IMP 隨時間變化的瞬時頻率和瞬時幅值，這些瞬時頻率和瞬時幅值可以揭示信號的內在特征，最后可以得到隨時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、生物醫學、結構分析、設備診斷學等各個科學研究領域，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，引入了本征模函數(IMF)的概念，提出了經驗模態分解 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 在非線性系統分析、水波分析、風速分析、潮汐和海嘯分析、海洋環流分析和地震信號分析等中的應用。B．M．Gravier 通過多年的研究把 Hilbert 變換應用到了對潛艇設備的故障診斷；鐘佑明等將 Hilbert 變換應用在磨床的故障特征分析，取得了較好的效果。
2.4 石家莊風機廠風機運行狀態預測方法確定
在信號分析的基礎上，選擇合適的預測方法，是確保預測精度的關鍵。
2.4.1 基于人工神經網絡的預測方法
人工神經網絡(ANN)是目前國際上前沿研究領域的一門新興交叉科學。由于其獨特的容錯、聯想、推測、記憶、自適應、自學習和處理復雜非線性多模式等優點，神經網絡技術己在故障診斷、智能控制、非線性優化、連續語音識別等方面得到了廣泛應用并取得了一定的成功和進展，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解，且遺傳算法的魯棒性強，將遺傳算法與神經網絡結合起來是很有意義的，不僅能發揮神經網絡的泛化的映射能力，而且使神經網絡具有快速收斂性及較強的學習能力。遺傳算法與神經網絡結合主要有兩種方式：一是用于網絡訓練，即學習網絡各層之間的連接權值；二是學習網絡的拓撲結構。神經網絡是近年來得到快速發展的科學理論之一，它是由相互廣泛連接的自適應處理單元組成的并行計算模型。由于神經網絡在模式識別、市場經濟預測、故障分類等領域取得成功，使得神經網絡成為研究的熱點。目前神經網絡的進一步研究主要集中在以下幾方面:訓練算法、結構優化、硬件實現等。Heclt-Nielsen從Kolmogorov定理出發，證明了任何一個平方可積函數，都存在一個三層前饋網絡在均方差意義上與其逼近，K.J.Funalashi又證明了任意連續映射函數均可由含有隱含層且隱含層節點作用函數為有界連續遞增函數的三層前饋網絡逼近。網絡的訓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等問題，出現了許多改進算法，這些方法有的能解決收斂速度慢的問題，但以增加算法的復雜性或增大網絡結構為代價。