基于连续小波变换的汽轮机转子振动信号矩特征研究

基于小波分析良好的时频功能,分析了汽轮机转子振动信号的连续小波变换系数,利用图像处理与识别技术中的统计特征参数--矩向量来描述连续小波变换灰度图,并将其应用于汽轮机转子振动故障信号的特征提取之中.然后,对几种典型振动及一些耦合振动故障的信号进行了分析与计算,结果表明灰度图的矩向量可以较好地展现小波灰度图的局部化信息,能够有效地提取信号的特征,可以利用其来区分振动故障.     

基于小波分析的汽轮机碰磨故障诊断

振动故障是故障诊断中的难点,故障原因复杂、类别繁多。小波分析因具有良好的时频局部性及多分辨率分析特性,被广泛地应用在振动故障诊断中。介绍了小波分析方法在振动故障诊断中的应用,利用时频等高图确定汽轮机碰磨故障发生的时刻,借助小波包特征熵向量诊断碰磨故障的严重程度,从而提出了完整的汽轮机碰磨故障的小波分析诊断方法。     

基于小波包分析和信息融合技术的汽轮机转子故障诊断

根据Bently实验台所采集的不平衡、不对中、碰摩、松动4种典型汽轮机转子振动故障信号,运用小波包分析方法对其进行分析并提取故障特征。将提取的故障特征作为D-S证据理论的识别框架,利用信息融合技术对汽轮机转子振动故障进行诊断。诊断结果表明:基于小波包分析和信息融合技术的故障诊断方法,能提高故障诊断的准确性。     

MATLAB在汽轮机振动故障诊断中的应用

为了提高汽轮机故障诊断系统的诊断精度和自适应性，尝试了将人工神经网络引入汽轮机故障诊断的研究，通过对振动信号的分析，建立了汽轮机振动故障特征表及人工神经网络目标输出。利用MATLAB仿真软件的人工神经网络工具箱，设计构造了汽轮机振动故障诊断的人工神经网络，并对故障诊断人工神经网络进行了仿真训练和故障诊断。图5表2参7     

基于小波变换的汽轮发电机组振动故障检测与诊断方法

提出了基于小波变换的汽轮发电机组振动故障检测与诊断方法。通过对仿真的汽轮发电机组典型振动故障信号进行小波变换,利用小波变换后的时频等高线图,对汽轮发电机组典型振动故障进行了检测分析。分析表明,利用小波时频等高图,可以直观表示信号中畸变发生的时间,有效地提取信号中的奇异特征;根据不同的故障发生时的频谱特征,能够识别出不同的故障,进行机组振动故障检测与故障诊断。     

网络化汽轮机组远程监测及故障诊断系统的研究

针对火电机组状态监测和故障诊断方面存在的不足，提出了建立省级故障诊断中心，并研究开发了网络化汽轮机组远程监测及故障诊断系统，已应用于生产实际，在汽轮发电机组运行和维修中发挥了重要作用。介绍了该系统的体系结构、软件结构、网络技术及特点，并给出应用实例说明其实用性和有效性。图7参1     

基于粗糙集理论的汽轮机组回热系统故障诊断模型

在分析了汽轮机组回热系统现有故障诊断方法无法解决冗余征兆的不足之后,提出了一种基于粗糙集理论的故障诊断模型。该模型从回热系统典型故障模式出发,通过连续征兆属性的离散化建立了故障诊断决策表;利用遗传算法实现了故障征兆属性约简,并提出了结合领域知识的最小约简择优策略,然后通过给出的决策规则约简的基本原则,得到用于故障诊断的决策规则库。在应用该模型进行故障诊断时,用待诊实例的离散化了的故障征兆属性与规则库中的诊断决策规则进行匹配,对返回的诊断决策规则进行综合评价,并得出诊断结论。利用电站仿真机模拟典型故障进行了故障诊断模型的验证,实践表明,该模型可以有效地约简冗余的故障征兆,并具有较好的诊断效果和一定的容错能力。     

FAI电喷摩托车故障诊断技术的研究

本文介绍了FAI电喷摩托车发动机远程故障诊断专家系统诊断模块的开发过程。该系统的故障诊断模块采用在线诊断与离线诊断相结合的方法,模仿了专家在诊断过程中推理的思维特点,提高了诊断复杂故障的效率。     

基于主成分分析与支持向量机的汽轮机故障诊断

汽轮机故障诊断的一大难题是故障样本的缺乏,由于支持向量机针对小样本情况能取得很好的效果,为此,提出基于主成分分析与支持向量机的故障诊断方法,首先采用主成分分析方法对汽轮机故障数据进行故障特征提取,将特征向量作为支持向量分类器的输入,按照汽轮机的故障类型训练分类函数.对于支持向量机参数的选取,提出了基于错分样本数的蚁群优化算法.在小样本情况下对汽轮发电机组故障诊断进行了仿真研究.结果表明,应用该算法可以正确且有效地诊断多类汽轮机故障.     

基于主成分分析法与贝叶斯网络的汽轮机故障诊断方法

在利用贝叶斯网络进行汽轮机故障诊断时,汽轮机故障诊断模型的建立直接影响着诊断过程的复杂程度,因此建立贝叶斯网络模型是首先要解决的问题,反映故障状态的特征参数提取是建立模型的重要环节.通过对主成分分析方法提取故障特征的讨论,提出了基于主成分分析方法和贝叶斯网络的汽轮机故障诊断模型建立方法,并与传统的频率特征建模方法进行了比较.结果表明,应用主成分分析法和贝叶斯网络建立的汽轮机故障诊断模型简洁,易于椎理,提高了汽轮机故障诊断的效率.     

汽轮机高压缸蒸汽激励故障分析与诊断

当机组运行工况恶化而产生非平稳,非线性的振动时,综合应用新兴的小波分析和经典的频谱分析等信号处理技术可以获得丰富的诊断信息。针对兰州西固热电厂５号汽轮机组高压缸大修后的振动现象,描述了汽轮机蒸汽激励故障征兆及其产生原因,指出了减振措施及故障的排除方法。     

基于小波分析的汽轮机叶片故障诊断技术

简述了小波分析的基础理论和算法,论述了在小波多分辨率分析下进行汽轮机叶片故障诊断的方法。结果表明,小波的方法能很好地保存瞬态信号中的尖峰和突变部分,对振动信号进行处理后再进行特征提取,使故障诊断变得容易,具有良好的效果。     

故障诊断技术在电站设备应用中的研究进展

故障诊断技术可有效提高电站设备运行的可靠性和事故分析处理的准确性.本文介绍火力电站中凝汽器、磨煤机和汽轮机组等常见设备易发生的故障类型,分析基于设备现象进行故障诊断的方法.     

汽轮机振动信号的最优小波包基消噪与检测

在利用小波包进行汽轮机振动信号的消噪和检测时,最优小波包基和消噪阈值的选取是必须解决的两个关键问题。通过对基于shannon熵的最优小波包基的快速搜索算法的探讨,提出了基于最优小波包基的汽轮机振动故障信号的消噪与检测方法;对于消噪阈值的选取,提出一种以小波包能量为基础,以原始信号与降噪后信号之间的均方误差(MSE)极小化为目标的基于小波包的降噪算法,并与传统的Donoho的硬阈值降噪算法作了比较。结果表明:在故障检测前先采用最优小波包基方法对故障信号进行消噪,有利于提高汽轮机振动检测的准确性。图5参9     

小波包能量熵和改进的LSSVM在风力机轴承故障诊断中的应用

针对极端复杂工况下风力机轴承运行状态监测中的故障诊断问题,提出一种基于小波包能量熵故障特征提取并结合鲸鱼算法(WOA)优化最小二乘支持向量机(LSSVM)进行故障分类识别的风力机轴承故障诊断方法。通过小波包分解提取各频带成分的能量熵值构建故障特征集,同时针对LSSVM参数的选取依赖人工选择的盲目性问题,采用鲸鱼优化算法寻找LSSVM中最优的2个关键参数正则化参数和核函数参数,以此提高故障诊断模型的分类精度。通过不同工况下的试验数据集测试,实现了对不同故障状态特征参数的准确分类。结果表明,所提方法诊断结果优于遗传算法(GA)和粒子群算法(PSO)分别优化的LSSVM.远优于传统的LSSVM算法。     

汽轮发电机组分布式在线监测与故障诊断网络系统的开发研究

以兰州西固热电厂的4台汽轮机发电机组为监测诊断对象，研究开发了分布式在线监测与故障诊断网络系统，己应用于生产实际，在汽轮发电机组的运行和维修中发挥了重要作用。该文还介绍了该系统的硬件构成、软件功能、网络技术及其它们的特点，并给出应用实例说明了其实用性和有效性。图5参6     

汽轮机轴系振动在线监测与故障诊断系统

利用LabVIEW虚拟仪器开发平台构建了汽轮机轴系在线监测与故障诊断系统。系统有以下显著特点:小波降噪功能模块利用Matlab小波工具包实现了混合编程,能更好地还原真实信号;HHT分析功能模块以新的信号分析方法为基础,克服了传统分析方法的不足,能使信号分析更准确;模糊诊断功能模块利用最大隶属度原则,根据常见的故障与征兆之间的关系,进行故障的在线诊断。     

Fault diagnosis for a wind turbine transmission system based on manifold learning and Shannon wavelet support vector machine

Fault diagnosis for wind turbine transmission systems is an important task for reducing their maintenance cost. However, the non-stationary dynamic operating conditions of wind turbines pose a challenge to fault diagnosis for wind turbine transmission systems. In this paper, a novel fault diagnosis method based on manifold learning and Shannon wavelet support vector machine is proposed for wind turbine transmission systems. Firstly, mixed-domain features are extracted to construct a high-dimensional feature set characterizing the properties of non-stationary vibration signals from wind turbine transmission systems. Moreover, an effective manifold learning algorithm with non-linear dimensionality reduction capability, orthogonal neighborhood preserving embedding (ONPE), is applied to compress the high-dimensional feature set into low-dimensional eigenvectors. Finally, the low-dimensional eigenvectors are inputted into a Shannon wavelet support vector machine (SWSVM) to recognize faults. The performance of the proposed method was proved by successful fault diagnosis application in a wind turbine's gearbox. The application results indicated that the proposed method improved the accuracy of fault diagnosis.     

小波神经理论在风力机齿轮箱故障诊断系统中的应用

风力机齿轮箱振动信号是一种时频特性复杂的非平稳信号,常规的时域和频域分析方法难以有效的分析齿轮箱故障及提取故障特征。提出一种基于小波分析和神经网络的风力机齿轮箱故障诊断方法,该方法采用小波时频分析技术对风力发电机故障振动信号进行消噪滤波,通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征,为实现智能诊断提供故障特征值。应用BP神经网络进行故障识别,并采用LabVIEW和matlab软件予以实现。结果表明,该方法能有效提高风力发电机组齿轮箱故障诊断的准确性。