第一章绪论
1.1诊断技术的发展与诊断研究的意义
1.1.1故障诊断的必要性
工业固定资产的占有量表征一个国家的工业生产能力，占工业固定资产总值约60%- 70%的机械设备拥有量构成了国家经济实力和社会财富的重要组成部分。因此，采用先进的故障诊断技术，以保证机械设备的正常、高效运行，是促进国民经济健康稳定发展的重要技术手段。另一方面，由于现代化的工程技术系统正朝着大规模、复杂化的方向发展，现代生产机械日益高速化、大型化、精密化、集中化、自动化，机械设备的可靠性、维修性、安全性日益重要，因为一旦发生故障，将直接导致重大财产损失和灾难性的人员伤亡。例如；1973年美国三里岛核电站堆芯损坏事故;1985年1月28日，美国“挑战者号”航天飞机和2003年2月1日“哥伦比亚号”航天飞机失事事故，造成宇航员全部遇难，不仅造成巨额的财产损失，还使航天事业遭受沉重打击;1984年印度博帕尔市农药厂异氰酸甲毒气外漏事故和1986年4月27日，前苏联切尔诺贝利核电站泄漏事故，造成了环境的严重污染和人员的重大伤亡，举世震惊。国内，八十年代大同电厂和秦岭电厂的200MW汽轮发电机组的严重断轴毁机事件;1990年荆门炼油厂烟机转子开裂报废，损失达1000万元以上;1998年6月，华北电网曾出现同时5台200MW以上的大型汽轮发电机组由于振动原因导致停机检修的事件，造成严重影响华北地区工业生产的紧急局面;2003年4月我国海军一艘常规动力潜艇在训练时，因机械故障致使艇上70名官兵不幸全部遇难;2005年11月13日中石油吉林石化公司双苯厂发生爆炸，并导致松花江水质污染，威胁到沿江人们的生活。这些血泪教训促使人们清醒的认识到，技术系统的故障已成为现代工业乃至整个人类的心腹大患。
..........................
1.2机械故障诊断的发展历程
机械故障诊断是二十世纪七八十年代发展起来的一门新兴学科，是众多基础理论与技术相互交叉和融合的产物，是适应工程实际需要而形成的各学科交叉的综合学科。故障诊断技术的发展已经历了三个阶段:第一阶段以主要依靠技术人员的感觉器官、个人经验及简单的仪表进行诊断;第二阶段是传感器、动态测试技术及信号分析技术发展及应用;第三阶段是计算机技术、人工智能特别是专家系统的应用而形成的智能化阶段。20世纪60年代，随着计算机技术的发展，出现了快速傅里叶变换(FFT)，从而把信号处理和分析技术的软件和硬件推向新的高度，推动了技术诊断的发展。目前，出现了统计诊断、分析诊断、模糊诊断、灰色诊断、神经网络诊断等理论和方法，各种离线和在线设备的已得到广泛应用，在把新的信号处理技术和人工神经网络、遗传算法引入诊断工程的同时，机械故障诊断系统正向着工程化的方向发展。就技术而言，它己逐步形成以振动诊断、油样分析、温度监测和无损检测探测为主，其他技术或方法为辅的局面。
线性振动理论己经比较成熟，在转子动力学中得到广泛应用，它能够解决不少实际的问题，且计算工作量小，对常见的故障机理也有一定的揭示。旋转机械常见的故障有:转子的不平衡:转子的不对中;轴承的油膜振荡;转轴的初始弯曲、热弯曲;摩擦热弯曲;半速涡动;共振;
部件松动;转子结构缺陷、裂纹等。这些故障在机械运转中将产生各种振动信号，不同的振动“源”其振动频率一般也是不同的，一种特定的频率的振动往往与一种以上的故障有关，因而，振动信号从幅值域、频域和时域反映了机器的故障信息。在获取机器的稳态数据、瞬态数据以及过程参数和运行状态等信息的基础上，通过信号分析和数据处理提取机器特有的故障征兆及故障敏感参数，经综合分析判断，确定故障原因，从而提出合理的治理措施。
.........................
第二章振动监测与信号处理
2.1故障诊断的常用方法
2.1.1故障诊断的概念
故障诊断是一门新兴的交又学科，融合了许多学科的成果。为了确保社会生产的正常进行，解除故障的潜在威胁，降低故障造成的损失，近年来，各国政府、工业界和众多领域的专家学者投入了大量的财力和精力，开展机械状态检测和故障诊断这一新兴学科领域的研究。随着现代生产设备的日趋大型化、高速化、自动化和智能化，设备的故障诊断受到高度重视，其技术也日趋成熟，尤其是随着计算机技术、人工智能特别是专家系统的发展，诊断技术己进入了智能化阶段。诊断技术己在冶金、石油、化工、航天等行业得到广泛应用。
所谓系统的故障，是指系统的运行处于不正常状态(劣化状态)，并可导致系统相应的功能失调，即导致系统相应的行为(输出)超过允许范围，使系统的功能低于规定的水平，这种劣化状态称为故障。
故障诊断的基本思想一般可以这样表述:设被检测对象全部可能发生的状态(包括正常和故障状态)组成状态空间S，它的可观测量特征的取值范围全体构成特征空间Y，当系统处于某一状态S时，系统具有确定的特征Y，即存在映射g:状态空间与特征空间的关系如图2-1所示。故障诊断的过程有三个主要步骤:第一步是检测设备状态的特征信号;第二步是从所检测到的特征信号中提取征兆;第三步是根据征兆和其它诊断信息来识别设备的状态，从而完成故障诊断。其中最关键的是提取故障信号的特征。
机械故障诊断，就是通过检测、提取、利用机械系统运行中产生的相关信息，识别其技术状态，确定故障性质，分析故障原因，寻找故障部位，预报故障趋势，并提出相应对策。
2.1.2常用的故障诊断方法
由于设备的种类多样，且其工作条件也各有所异，所以在实际中往往会根据具体的情况而采用合适的诊断方法。用于故障诊断的状态监测基本方法有:基于实例的推理、基于模型的诊断和非参数化建模。
............................
2.2振动诊断方法
由于振动信号能够反映机械系统的运行状态，因此，振动诊断方法得到了广泛的应用。所谓振动诊断，就是以系统在某种激励下的振动响应作为诊断信息的来源，通过对所测的振动参量(振动位移、速度、加速度)进行各种分析处理，并以此为基础，借助一定的识别策略，对机械设备的运行状态做出判断，进而对于诊断有故障的机械给出故障部位、故障程度以及故障原因等方面的信息。
2.2.1振动监测系统
振动测试系统，其中测振传感器将机械振动量转变为适合于电测的电参数，信号的预处理对信号进行放大、滤波、调制解调等，A/D转换将测得模拟振动信号转变为数字信号，以便于计算机处理，然后输入到计算机，运用各种工具来进行信号处理，进行设备的状态判断。
根据测量参数(可测量的幅值参数有位移、速度和加速度)的不同，可以选择不同测振传感器:振动位移传感器，0-10kHz(电涡流传感器);振动速度传感器，10-2kHz(磁电式速度传感器);振动加速度传感器，0- 50kHz(压电式加速度传感器)。
2.2.2测点的选择
在对一个机器或系统进行诊断时，首先要探测出它的故障信息，即采集出机器或系统的故障信号。信号的采集通常由合适的传感器来完成，而选择合适的测点并采用合适的检测方法式是获取设备运行状态信息的重要条件。一般情况下，测点的数量及方向的确定原则为:能对设备振动状态做出全面的描述;应是设备振动的敏感点;应是离机械设备核心部位最近的关键点;应是容易产生劣化现象的易损点。
常见的振动测定方法有测轴振动和测轴承的振动，对于非高速旋转机械，以测定轴承的振动为多，而对于高速机械，则以测定轴的振动位移居多。
....................................
第三章旋转机械的常见故障及机理................................20
3.1旋转机械振动的基本特征........................................... 21
3.1.1转子振动的基本特征................................................21
3.1.2临界转速....................................................................22
3.2旋转机械的常见故障机理........................................... 23
3.2.1转子不平衡…...........................................................23
3.2.2转子不对中...............................................................26
3.2.3转子弯曲..................................................................28
3.2.4油膜涡动与油膜振荡............................................. 29
3.2.5轴裂纹.......................................................................30
3.2.6碰摩............................................................................32
本章小结............................................................................33
第四章基于BP神经网络的智能故障诊断系统.............34
4.1专家系统......................................................................34
4.1.1专家系统的基本结构...............................................34
4.1.2专家系统各部分功能...............................................35
4.1.3机械设备故障诊断专家系统...................................36
4.2神经网络......................................................................37
4.2.1神经网络的基本理论............................................... 38
4.2.2神经网络的信息处理能力...................................... 41
4.2.3人工神经网络的用途...................,.......................... 41
4.2.4神经网络模式识别..................................................42
4.2.5 BP神经网络............................................................44
4.3神经网络智能故障诊断系统.....................................50
本章小结...........................................................................51
................................
第六章小波分析在故障诊断中的应用
传统的快速傅里叶变换(FFT)是信号处理中应用广泛，简单有效的方法，它将x(t)分解在一组平稳正弦波的正交基上，得到其频谱X①，使得对于信号形态的研究转换成对傅里叶系统(表示对应的振幅)和傅里叶变换的研究。另外，傅里叶变换的积分作用平滑了非平稳过程中的瞬变成分，变换的频谱X(f）的任意频率值是由时间过程x(t)在整个时间历程上的贡献决定的;同理，过程x(t)在某一时刻的状态也是有频谱x(f)在整个频域上的贡献所决定的。
实际上，设备运行中存在着大量的非平稳动态信号，像机械设备的多发故障:剥落、摩擦、松动、爬行、冲击、裂纹、断裂、喘振、旋转失速、油膜涡动及油膜振荡等，当故障发生或发展时将导致动态信号非平稳性的出现。而非平稳动态信号的统计特性与时间有关，所以对非平稳动态信号的处理须同时进行时、频分析。
傅里叶变换不能很好的处理非平稳信号，其原因在于:一是三角基函数作为具有一定周期、一定波形的光滑函数，对于存在间断点的信号进行近似时会出现Gibbs现象，对于一般的非周期信号三角基近似经常不是最优选择。二是三角基函数在时域上不能局部化，无法实现时域上的局部分析。三是经典的傅里叶积分不能同时进行时域与频域分析。
而小波变换是处理非平稳信号的有力工具。小波变换从基函数的角度出发，汲取傅里叶变换中的三角基(进行频率分析)与短时傅里叶变换中的时移窗函数的特点，形成振荡、衰减的基函数。小波基函数是时间t、尺度因子a和时移参数b的函数。时频分析是在时间一尺度平面上反映非平稳信号于时间t时刻信号位于分解频带中的幅值和能量。
................
结论:
1)本文针对大型旋转机械，详细考察了故障诊断技术的发展过程及发展现状，结合生产过程的实际需求以及大连圣力来公司的多年诊断经验，将神经网络技术的有关理论应用到故障诊断中，开发了一个具有一定智能的故障诊断系统。
2)在明确了系统的要求、目标、功能后，经过调查研究，确立了用BP神经网络来作为系统核心模块的方案。经详细的推导，建立了BP算法的模型，设计了限幅的变步长BP算法来改进系统的学习性能，利用VC++6.0编程工具实现了软件化。
3)经使用一些模拟样本进行的反复试验，表明系统能够正确区分不同的故障模式，且系统还具有一定的泛化能力，但样本的数量和质量能够在很大程度上影响神经网络的诊断精度，需要在实践中不断的总结经验。
4)系统运行中能够给出诊断过程的清晰解释，能够自动提取设备的故障征兆，可以在线运行，可以进行多通道监测，系统具有区分30种故障的能力。
5)开发了一个振动信号的处理模块—小波变换，配合诊断系统进行设备的状态监测。
故障诊断技术得到了越来越多的重视，应用也越来越广泛，但由于设备的复杂性，准确的故障定位往往很困难，为了提高诊断结果的可靠性，智能故障诊断还有许多的工作要做。
整个系统的开发只是设备智能故障诊断的初步探索，只是一个为工程技术人员提供辅助分析的工具，系统还有许多需要完善的地方，需要与设备维修专家进行深入的交流，需要在实践中不断完善系统的知识库、神经网络模型等。........
参考文献 （略）
15012858052
153688106
