用神经网络对泵阀故障进行识别

利用前向神经网络模型对往复泵泵阀故障进行了识别。研究结果表明，用神经网络识别和诊断往复泵的泵阀故障具有较高的准确度，可取得令人满意的结果。     

基于RBF神经网络的往复泵泵阀故障诊断研究

根据小波包分析,获得了各频带能量的分布规律,构造了泵阀状态特征向量,训练了RBF神经网络。大量的现场试验证明,构造的故障特征向量与RBF神经网络配合使用的方法可以明显提高泵阀故障诊断的准确率。     

运用粗糙集与小波神经网络诊断往复泵故障

提出一种粗糙集理论与小波神经网络集成的往复泵故障诊断方法。首先利用小波包对采集信号进行分解和重构能量特征向量。然后应用SOM网络对故障诊断数据中的连续属性进行离散化,根据粗糙集理论,借助遗传算法进行故障诊断决策系统约简,获得最优决策系统。在最优决策系统的基础上,设计RBF神经网络对往复泵故障进行诊断。试验结果显示,该方法可以有效提高往复泵故障诊断的精度和效率。     

小波神经网络在往复泵故障诊断中的应用

小波分析是一种新的信号处理技术, 具有良好的时频局部化特征。将小波包分析应用于往复泵的故障特征提取, 建立了往复泵小波神经网络故障诊断模型。该模型使用小波包分析的特征提取及神经网络的非线性映射特性, 可完成从测量信号到往复泵故障的分类。以此为基础开发出的故障诊断软件系统具有使用的特征量少, 建造故障诊断系统较为简单等优点。通过对往复泵液力端多故障诊断实例的检验表明, 该系统完全能够较准确地识别出往复泵液力端多种常见故障。     

基于小波包理论的往复泵故障特征提取研究

特征提取是往复泵状态监测及故障诊断的关键环节。小波包变换是时间频率的局部化分析，尤其适合于非平稳信号。应用小波包变换，将往复泵振动信号分解到8个不同的频带，对各频带内的信号进行统计分析，形成包含待诊断部件故障信息的频带能量值作为故障诊断的特征指标。实例中，将小波包变换应用于往复泵泵阀故障分析，提取到了弹簧断裂时的频带能量特征指标，为往复泵故障诊断奠定了可靠的基础。     

基于一种改进提升方案的泵阀振动信号降噪

针对传统提升小波进行信号分解时会导致信号失真的问题,设计了自适应冗余提升混合小波,用于往复泵泵阀振动信号的降噪。该混合小波计算预测差值平方和时可对所有样本进行预测;通过计算目标函数,从预设的1组预测器和更新器中选取1个最佳预测器和1个最佳更新器作为该层次的初始预测器和初始更新器,以满足尺度函数和小波函数支撑区间的特殊要求;用冗余提升方案算出每层逼近信号,并用于下层初始预测器和初始更新器的设计。用自适应冗余提升混合小波降噪可获得较高的信噪比和较小的均方差,且能完整保留往复泵泵阀应有的冲击信号。     

往复泵泵阀强度计算

泵阀是往复泵的重要组成部件,也是往复泵中最重要的易损件之一,其设计质量直接影响泵的工作性能和使用寿命。对往复泵泵阀进行受力分析,借助工程软件Pro/E Wildfire,完成往复泵泵阀的三维建模,并进行泵阀的运动仿真。将模型导入ANSYS有限元分析软件对其进行应力分析,校核泵阀的强度,为最终的优化设计提供参考依据。     

基于振动冲击响应信号特征的泥浆泵故障检测系统研究

泥浆泵的主要功能由往复运动完成,振动是其主要故障标志之一。提取泵阀振动信号的冲击响应分量,并对信号进行时标分析、小波能量包络分析,可以有效的提取泵阀的故障信号,判断泥浆泵泵阀的运行状态。在泥浆泵关键故障点加装振动、温度、噪声等传感器,将提取到的振动、温度、噪声等特征参数作为神经网络的输入,建立泥浆泵故障诊断系统,能有效诊断泥浆泵液力端以及动力端的运行状态。     

自动锥形阀运动规律数学模型及仿真

针对阿道尔夫往复泵泵阀精确运动微分方程在泵阀开启瞬间存在奇点的不足,综合考虑液体可压缩性、魏氏效应、液体连续流条件及泵阀运动的动力特性,建立了描述往复泵自动锥形阀运动规律的精确运动微分方程。该方程是关于液缸内液体压力、泵阀升程与泵阀运动速度的一阶常微分方程组。应用数值计算方法建立了泵阀运动规律的仿真模型,通过仿真计算,可以直观地了解泵阀开启时的压力波动,解释产生奇点的原因。     

对往复泵泵阀无冲击工作的CYC条件质疑——与赵仕俊同志商榷

<正> 由于往复泵泵阀无冲击理论的复杂性,目前在探讨这项理论的研究中出现了众说纷纭、各持已见的局面。赵仕俊同志在《石油钻采机械》1983年第3期上发表了《往复泵泵阀无冲击条件的讨论》一文(以下简称《讨论》)。文中所提出的往复泵泵阀无冲击工作的CYC条件是一个较新的命题。首先肯定,如果CYC条件成立,则对设计往复泵的参数