水轮发电机组非平稳振动信号的检测与故障诊断

针对传统方法难以精确检测水轮发电机组的非平稳振动信号以及现有振动故障诊断方法精度低等问题,本文首先引入排列熵算法对其进行检测与分析,进而引入多维度排列熵算法,以实现对非平稳振动信号的特征提取,构造故障样本数据,并将其作为基于遗传算法的支持向量机诊断模型的输入,从而完成故障的诊断与识别。仿真实例表明,排列熵能够有效检测非平稳振动信号的突变,多维度排列熵与支持向量机相结合的故障诊断方法可有效识别机组的异常情况,具有较高的诊断精度。     

基于EEMD的有载分接开关触头松动故障诊断

针对基于经验模态分解（EMD）的希尔伯特黄变换（HHT）在变压器有载分接开关（OLTC）振动信号故障检测方面的模态混叠问题,提出了集合经验模态分解（EEMD）方法,有效解决了EMD模态混叠的缺点。在EEMD的基础上对振动信号进行HHT,提取信号的边际谱,实现对触头松动故障的检测。仿真与实际试验表明,将该方法应用于分接开关振动信号的分析,可有效地提取故障特征量,有利于对触头故障的诊断。     

基于熵权理论和信息融合技术的水电机组振动故障诊断

应用熵权、灰色关联分析和信息融合技术对水轮发电机组振动故障进行诊断。以水电机组振动信号的频域特征和时域振幅特征为诊断样本，使用基于熵权的灰色关联分析方法进行水电机组振动故障的初步诊断，然后应用证据融合理论对不同证据进行决策信息融合，从而得出最终的诊断结果。诊断实例表明，基于熵权的灰色关联分析和信息融合技术相结合的方法是有效的，适合于水电机组的振动故障诊断。     

基于神经网络的电站风机故障诊断系统

振动现象是电站风机运行中最为明显的一种现象。因此，通过检测风机的振动从而分析其运行状况成为故障诊断的一种重要方法。介绍了基于神经网络的电站风机故障诊断系统，可以广泛应用于风机的各种故障诊断。     

便携式振动监测故障诊断仪在实践中的应用

EN900便携式振动监测故障诊断仪是专为旋转机械而设计开发的离线便携式仪器,主要用于测量、分析和诊断工业领域中的旋转设备,如汽轮发电机组、水轮发电机组、压缩机组、燃气轮机、风机和水泵等设备的运行状况及其性能,尽可能地做到预知故障维修,确保机组安全、稳定运行.……     

离心泵汽蚀振动特性研究

为了对离心泵的汽蚀故障进行诊断,设计了离心泵振动试验装置,对离心泵在正常和汽蚀运行状态下的振动特性进行了测试,并采用频谱分析方法对振动测试数据进行了对比分析,提出了离心泵在汽蚀状态下运行时的振动特性,为采用振动法诊断离心泵汽蚀故障提供了很好的依据。     

基于Hilbert变换的水轮发电机组振动冲击信号自动检测技术及应用研究

为了实现了对水轮发电机组振动冲击信号的自动识别检测,对由于轴承偏磨或转轮碰磨引起的振动冲击信号的特征和机理进行了分析,同时提出了基于Hilbert变换的数字包络检测技术。通过实际应用表明,该方法能够有效地检测由于碰磨故障等故障引起的振动冲击,可用于水电站机组在线状态监测和故障诊断系统的设计和实现。     

基于自编码网络的海上风电机组典型故障诊断方法

当前海上风电机组故障诊断大多只利用SCADA系统数据或振动监测系统数据中一种数据源,诊断精度较低。为此,提出一种基于自编码网络的海上风电机组典型故障的数据融合诊断方法。首先,采用自编码网络分别对SCADA系统数据和振动监测数据的故障特征降维,并将二者融合。然后,采用两类故障特征融合的深度自编码网络故障诊断模型对典型故障进行检测及分类。最后,通过实际运行案例验证了本文提出的深度自编码网络故障诊断模型的有效性。     

某车载泵机组故障诊断实例

介绍了运用振动分析仪和轴承应用专家软件，成功检测和诊断车载泵机组故障的情况。通过故障的分析和诊断结果，证明了早期故障诊断的重要性，可避免设备损坏事故的发生。     

振动测试仪在电机故障诊断中的应用

以瀑布沟发电站电机故障为例,介绍了水电站电机故障对机组及系统带来的危害,分析了电机的常见故障及常规检测方法,重点介绍了振动测试仪对瀑布沟电站电机故障的诊断分析,根据分析结果提出了有效的解决方案,为电厂的安全稳定运行提供了保障。     

基于随机共振和经验模态分解的水力发电机组振动故障诊断

针对实际水力发电机组故障诊断中微弱信号难以检测引起故障诊断准确率低的难题,提出了一种基于随机共振(stochastic resonance,SR)和经验模态分解(Empirical Mode Decomposition,EMD)的微弱信号检测方法。首先,采用随机共振对振动信号进行降噪处理,提高信号的信噪比;继而对随机共振的双稳输出信号进行EMD分解,并采用能量法进行故障特征向量的提取,最后将其作为基于遗传算法优化支持向量机(GA-SVM)故障诊断模型的输入,实现故障模式的识别与诊断。仿真结果表明,该方法能够准确识别机组的异常情况,具有较高的故障诊断精度。     

基于变精度粗糙集的水电机组故障诊断

将变精度粗糙集理论引入水电机组故障诊断中,利用变精度粗糙集属性约简方法对水电机组故障的检测信息进行约简,提取对故障分类起主要作用的信息,并用RBF神经网络对粗糙集处理后的故障信息进行诊断。该方法不仅克服了神经网络对冗余信息和有用信息识别的局限性,有效地降低了神经网络的输入信息空间维数,减小了神经网络规模,还可以弥补经典粗糙集方法对输入信息中的噪声较敏感、抗干扰能力差的不足,进而达到提高诊断准确性的目的。水电机组振动故障实例的诊断分析结果证明了该诊断方法的有效性和优越性。     

小波包和模糊神经网络在离心泵故障振动信号处理中的应用

根据离心泵故障振动信号的特点,提出了利用小波包分解、重构技术进行消噪处理及频带能量特征提取,并以“能量”为元素,构造离心泵振动信号的特征向量,通过对神经网络和模糊系统的结合方式的研究,提出了一种基于小波包和模糊神经网络的离心泵轴系故障诊断方法,实验分析结果表明,该方法可以有效地对离心泵轴系振动信号进行诊断。     

排水泵站设备振动测试及分析

介绍了排水泵站设备产生故障的原因及检测并判定水泵工作状态的方法。通过对昆明市排水公司大清河泵站 1#泵机故障的测试分析 ,介绍了振动总值判别法的应用。并对供货合同的内容提出了自己的看法。     

基于PSO优化LS-SVM的异步电动机振动故障诊断

为了提高异步电动机振动故障诊断的准确性,该文提出了基于粒子群算法优化最小二乘支持向量机的异步电动机振动故障诊断方法。先通过实验室对异步电动机各类故障的振动进行测试,对测试数据进行预处理,选择异步电动机不同位置振动信号的特征频率作为系统的输入,然后利用训练好的粒子群算法优化后的最小二乘支持向量机进行异步电动机振动的故障诊断。最终结果与其他诊断方法对比表明:该方法克服了样本训练时间较长并容易陷入局部收敛的缺点,同时诊断的准确率较高,有效地避免了异步电动机故障的误诊断。     

小波包特征熵提取水轮机尾水管动态特性信息

将小波包多分辨与信息熵相结合,提出了一种故障检测与诊断的方法——小波包特征熵-故障法。首先对采集到的振动信号进行3层小波包分解,在通频范围内得到分布在不同频段内的分解序列,进而建立信号的小波包特征熵向量,选取最能反映故障特征的参数作为特征参数,进行故障诊断识别。以水轮机尾水管压力脉动信号为例,运用此法进行了尾水管动态特性信息提取。试验表明小波包特征熵法是提取故障信息并进行故障识别的一种行之有效的方法,为流体机械的故障诊断开拓了新的思路。     

基于小波变换的风力发电机组故障检测方法

针对传统风力发电机组故障检测方法受到非平稳振动信号影响，导致检测结果不精准的问题，提出了基于小波变换的风力发电机组故障检测方法。根据风力发电机组轴承非平稳信号特征，使用小波变换降噪技术，分解非平稳信号，获取有限长度离散含噪信号。消除噪声项后，利用峭度对非平稳信号的敏感性，提取故障自旋频率特征，实现轴承的故障检测。利用卷积神经网络提取齿轮箱阶次信号时序特征，通过齿轮箱故障时序特征的小波变换平移，利用阶次跟踪分析方法推导不同转速级的故障特征，以此对非平稳工况下齿轮箱故障状态诊断。由实验结果可知，该方法内、外滚道加速度时域信号变化范围分别为-0.3～0.3、-0.06～0.05 m/s²，小、大齿轮断齿故障幅值为0.2、 0.4，轴承故障和齿轮箱故障变化范围均与实际范围一致。     

水轮发电机组振动故障的模糊诊断法

根据水轮发电机组的振动特点,探讨了适合其振动故障的诊断方法,即模糊诊断法。提出了将模糊技术应用于水电机组振动故障诊断,介绍了模糊故障诊断的基本原理与实现,并以实际机组曾发生的振动故障为实例,验证了该方法的可行性和优越性。     

基于遗传神经网络和证据理论融合的水电机组振动故障诊断研究

针对水电机组振动故障诊断中的故障误诊、漏诊以及诊断的可靠性低等问题,提出了适用于水电机组的神经网络局部诊断和证据理论融合决策诊断的故障诊断方法。在神经网络中应用遗传算法来提高网络的收敛速度,应用提出的诊断方法对水电机组振动故障进行仿真,诊断结果表明对故障征兆信息的有效组合,充分利用机组各部位的信息,可以减少诊断的误诊、漏诊问题,从而有效地提高诊断的可靠性。应用MATLAB7.0开发出故障诊断系统界面。     

基于免疫原理的水电机组故障诊断方法

针对目前水电机组故障诊断中存在的建模复杂、样本需求量大及诊断学习缺乏自主连续性等问题，提出了基于免疫原理的故障诊断方法。以状态征兆为抗原，各种故障模式下的故障检测器作为抗体，通过反向选择机制判别正常，异常状态，利用克隆选择原理进化学习获得能识别抗原结构的记忆抗体。根据最大故障隶属度诊断故障类型。以机组振动为诊断对象的仿真结果表明，该方法识别故障的准确率高，非常适合故障样本难以获得的小样本故障诊断。