论文部分内容阅读
乳化器是生产线上关键且极易发生故障的设备之一,因此研究设计合理高效的乳化器故障诊断系统是十分有必要的。针对乳化器故障时振动信号的非平稳性和故障的小样本性,本文引入了EMD方法来提取采集到的乳化器故障特征,在此基础上提出一种基于EMD和SVM的乳化器故障诊断系统的设计,并在实验室环境下对此进行了验证和分析。本文主要包括:(1)本文首先介绍了乳化炸药生产的整体流程,然后根据乳化器的选型依据选择了AE-HLC-III型敞开式乳化器作为研究对象,并详细介绍了该乳化器的基本结构和优点。在此基础上研究了乳化器几种典型的故障类型及其振动机理。(2)基于经验模态方法(Empirical Mode Decomposition,EMD)来提取乳化器的故障特征。所采集的乳化器故障信号往往具有非平稳性,必须首先进行特征提取。本文利用EMD方法将原始振动信号分解成一系列的本征模态函数(Intrinsic Mode Function,IMF),之后利用各IMF分量的能量构建乳化器的故障特征向量,并证明了此特征提取方法的可行性。(3)采用遗传算法对支持向量机(Support Vector Machine,SVM)中的核函数参数和惩罚因子进行优化。SVM的分类性能主要依赖于惩罚因子和核参数,遗传算法具有概率收敛性,在搜索过程中也能大概率地找到全局最优解,故本文利用遗传算法对SVM进行参数寻优。诊断结果表明利用此参数构架的SVM具有很好的分类能力。(4)提出了基于EMD和SVM的乳化机故障诊断算法。在实际中,由于各种原因,乳化器的故障特征通常是小样本的。而SVM就是一种基于小样本学习的理论,能根据有限的乳化器故障样本建立有效的故障诊断模型。EMD能提取出噪声中微弱的故障信号,对其故障特征进行有效提取。实验结果表明两种方法结合的诊断模型取得了良好的诊断效果。(5)提出了乳化器故障诊断系统的整体设计,并实现了乳化器的硬件选型和软件设计。在硬件方面,按照乳化炸药生产的要求对设备进行了选型;在软件方面,介绍了其整体功能以及界面操作。最后选取乳化器中转子不平衡故障对系统的有效性进行验证,结果表明该系统能有效地对乳化器的故障进行检测。