旋转机械故障诊断研究方法综述

随着旋转机械结构越来越复杂,旋转机械需要承受着长时间的工作,发生故障的可能性增大及故障出现形式趋向于复杂化。因此,对旋转机械故障诊断提出更高的要求。本文作者分析了旋转机械故障诊断国内外研究现状及其研究方法,分析有量纲指标和量纲一指标在其上的运用。展望旋转机械故障诊断的研究方向和待解决的问题。     

二通比例流量插装阀的建模与仿真分析

分析了ATOS的LIQZO型二通比例流量插装阀的结构及工作原理;利用AMESim的HCD库搭建其仿真模型;参考厂家提供的特性曲线,详细地探讨了其仿真模型的参数设置,以保证其动静态特性。仿真曲线与样本曲线的对比分析表明,所搭建的仿真模型及所设置的仿真参数是合理可行的。研究成果对其他比例流量插装阀的建模具有借鉴意义。     

充液阀气液两相流的流场仿真分析

针对陶瓷砖压机上充液阀在快速下行过程中产生较大的振动,需要对其运行快速性和稳定性进行分析。分析充液阀进出口压差为0.2 MPa,气体体积率分别为10%和50%,及气体体积率为20%、压差为0.15 MPa时的流场分布,与理论计算值进行对比,验证所建立的三维流体模型的正确性。对优化后的充液阀结构进行流场分析,结果表明该结构能够为充液阀设计、结构优化提供一定的参考。     

基于FLUENT的集成块流道的仿真分析

仿真分析了液压集成块两种不同孔道的流场以及增大阀口的开度、缩短阀口到集成块交叉孔道的距离后的流场。通过对比,增大阀开度及缩短阀口到集成块交叉孔道的距离有助于减小集成块的能量损失,为集成块的设计提供一定的依据。     

深度学习在故障诊断中的应用综述

阐述了深度学习在故障诊断和图像分析、语音识别和文本理解等领域的应用;介绍卷积神经网络、深度置信网络、堆叠自动编码网络、递归神经网络4种典型的深度学习模型;综述近几年深度学习在故障诊断中的模型选择、学习算法和实际应用等方面的研究新进;探讨深度学习在故障诊断中的理论分析、特征提取、优化训练和研究拓展等。     

基于相关向量机的故障诊断方法研究

相关向量机(RVM)是目前最受关注的新一代模式识别技术之一,阐述了基于相关向量机的故障诊断方法、应用前景等。介绍相关向量机的分类、回归模型及其国内外研究进展;对RVM提出至今在故障诊断和退化评估与寿命预测中的应用研究进行综述;最后分析在故障诊断中RVM方法存在的弊端及其未来研究趋势。     

基于高价值小样本的石化装置旋转机械故障诊断NN模型

针对石化装置旋转机械故障特征之间呈现模糊性和耦合性导致故障类型识别难的问题,提出基于高价值小样本的石化装置旋转机械故障诊断NN模型.依据故障特征拟合情况,提取高价值小样本故障特征;运用高价值小样本故障特征建立高效的NN模型,利用梯度搜索技术,使网络的实际输出值和期望输出值的误差最小,达到最佳分类效果.研究结果表明:高价值小样本故障特征的训练数据与测试数据具有高度的一致性,故障类型识别的准确率达到98.3％.该方法应用于石化大机组旋转机械表明方法简单有效,高价值小样本特征提取准确,故障识别能力强,可为石化大机组及其他大型设备旋转机械故障诊断提供指导.     

基于模糊PID控制的阴极保护恒电位仪设计

由于恒电位仪防腐涂层存在着老化、磨损等问题,常加入阴极保护措施.阴极保护恒电位仪常运用于山地的长距离埋地输油管道的检测,其所处的环境比较复杂,检测效果常受复杂环境因素影响,为克服阴极保护极化的高阶延迟性和不精确性.采用控制精度更高、抗干扰能力更强的模糊PID算法对恒电位仪系统进行设计.主要是通过预存知识库对输入量进行模糊推理,再结合模糊决策生成PID控制参数的调节量,以此实现PID控制器控制参数的自动整定及控制量调节,从而达到控制的目的,有效提升系统的控制精度和可靠性.通过模拟测试验证,模糊PID控制相对于传统PID控制对系统的输出量调控更加稳定.     

石化齿轮箱振动信号高价值量纲一化特征提取方法研究

石化齿轮箱故障信号特征之间呈现模糊性和耦合性,正常状态与异常状态之间相互影响,导致故障分类难。为解决此问题,提出一种石化齿轮箱振动信号高价值量纲一化特征提取方法。运用数据预处理方法,从采集的数据中抽取有效数据,对其进行量纲一化指标表示,再依据量纲一化指标分布规律提取高价值量纲一化特征。为保证样本的完备性,建立高价值量纲一化特征的增容模型。利用该方法能够准确提取石化齿轮箱实验机组轴承故障特征,可为石化齿轮箱特征提取提供参考。     

基于主成分分析的多域特征融合轴承故障诊断

针对复杂工况下难以区分轴承故障状态的问题,提出一种基于主成分分析的多域特征融合轴承故障诊断方法。采集轴承振动加速度信号,提取轴承时域新量纲一化特征、频域幅值谱特征和时频域经验模态分解特征共13维特征用于完整表征轴承状态;利用主成分分析方法对所提取特征融合与降维,降低诊断模型复杂度与数据分析难度;最后,选择合适的卷积神经网络进行分类,通过石化机组故障诊断实验平台进行验证。结果表明：多域融合特征相对于单域特征诊断效果更好,卷积神经网络分类模型相对于其他经典分类模型诊断准确率更高,融合诊断分类方法整体诊断准确率达到86%。