燃气轮机故障诊断毕业论文(含程序)

舰用燃气轮机某关键部件故障诊断方法研究

系别信息工程系

专业测控技术与仪器

班级

学号

姓名

指导教师崔建国

负责教师崔建国

2015年6月

摘要

燃气轮机的关键部件之一滚动轴承是机械设备运行过程中产生最易产生故障的零件，它运行的正常与否直接影响到整台机器的性能。防止故障升级，发生灾难性事故。所以对滚动轴承故障诊断技术进行探讨和学习就具有十分重要的意义。

本文主要以燃气轮机的滚动轴承为研究对象，利用测量的轴承振动信号参数来进行故障诊断，利用神经网络技术对某一动态的模拟原理，应用到对滚动轴承故障诊断的具体方面，设计并构建了基于BP神经网络和自适应模糊神经网络（Adaptive Network Fuzzy Inference System）的滚动轴承故障诊断系统，在MATLAB软件里对构造的训练样本进行训练，利用训练完成后的神经网络我们就可以对滚动状态故障进行诊断。

关键词：滚动轴承；BP神经网络；模糊神经网络

Abstract

Rolling bearing is one of the most ordinary parts in mechanical machine, its running state can influence the performance of the whole machine directly, the aircraft stabilizer health status need to be monitored in real time to ensure the aircraft fly safety. so it is important to study the technology of fault diagnosis for rolling bearing.

On the basis of analyzing the fault mechanism and vibration signal characteristics of rolling bearing systematically, and after analyzing and processing the vibration signals of right and fault state of rolling bearing, partial appropriate feature parameters are selected as the input of the neural network according to the time and frequency domain characteristics of parameters in this thesis. and the fault diagnosis system for rolling bearing based on BP neural network is built up. Finally,and fuzzy artificial neural network diagnosis technique the training set of right and fault states of rolling bearing is built up by using the measuring data of rolling bearing from former research, the neural network model is trained on the platform of Matlab software.the operating state of rolling bearing has been diagnosed by using the above network which has been trained well.

Keywords: rolling bearing; BP neural network; fuzzy artificial neural network

目录

1 绪论 (1)

1.1 课题背景和研究的意义 (1)

1.1.1 研究背景 (1)

1.1.2 研究意义 (2)

1.2 国内外故障诊断技术研究现状 (3)

1.2.1 国外现状 (3)

1.2.2 国内现状 (4)

1.3 研究内容 (5)

2 燃气轮机关键部件故障诊断的总体方案设计 (7)

2.1滚动轴承故障的总体方案设计 (7)

2.2 滚动轴承机理及故障类型 (7)

2.2.1 滚动轴承基本结构 (8)

2.2.2 滚动轴承故障类型 (9)

2.3 滚动轴承参数选取及处理 (10)

3故障诊断方法 (13)

3.1 BP神经网络 (13)

3.1.1 BP神经网络原理 (13)

3.1.2 BP神经网络诊断方法 (14)

3.2 自适应模糊神经网络（ANFIS） (17)

3.2.1 自适应模糊神经网络（ANFIS）结构 (18)

3.2.2 自适应模糊神经网络（ANFIS）原理 (20)

3.2.3 自适应模糊神经网络（ANFIS）诊断方法 (21)

4 滚动轴承BP神经网络故障诊断试验研究 (25)

4.1 故障诊断模型建立 (25)

4.1.1 各层节点数确定 (25)

4.1.2 初始权值的选择 (27)

4.1.3 期望误差和学习率选取 (27)

4.2轴承故障诊断的仿真试验研究 (27)

4.2.1样本选取 (27)

4.2.2 神经网络的训练 (29)

4.2.3 神经网络的测试 (30)

5 基于自适应模糊神经网络（ANFIS）的故障诊断试验研究 (32)

5.1 诊断模型的建立 (32)

5.1.1 样本的选取 (32)

5.1.2 输入样本的模糊化处理 (33)

5.1.3 输出结果的去模糊化处理 (34)

5.2 轴承故障诊断仿真与结果 (34)

6 不同神经网络故障诊断结果与分析 (38)

7 结论 (39)

结束语 (40)

致谢 (41)

参考文献 (42)

附录ⅠBP神经网络故障诊断源程序清单 (43)

附录Ⅱ自适应模糊神经网络（ANFIS）诊断源程序清单 (48)