基于SAX的往复压缩机气阀故障诊断

传统的时域、频域、时频域分析方法基于振动信号对整个序列时间点分析,忽略了其中一小段时间序列数据变化规律,没有考虑其波形特征,无法有效提取特征。鉴于此,提出了基于符号聚合近似算法(SAX)的故障特征提取方法。该方法对机械振动信号SAX符号化近似表示,之后通过一定长度滑动窗口确定符号串类型,统计符号串频数,作为特征值,最后排列各个特征值,归一化后得到向量,作为该数据样本的特征向量。该方法针对周期序列中一小段数据进行对比,描述其变化规律,挖掘内在信息,形成数据模态,然后对各类模态统计分析,有效提取了原始序列的变化趋势和信息特征,克服了现有方法的不足。对油田现场压缩机气阀振动数据分析处理,用SAX方法提取特征向量后输入网格优化的SVM分类器进行了训练分类,与基于信息熵的特征提取方法进行对比,两者故障分类准确率分别为81.25%和100%。分析结果表明:SAX特征提取方法可以准确有效地提取故障特征,具有更高的故障识别率,基于SAX算法的往复压缩机气阀故障诊断方法具有可行性。所得结论可为压缩机气阀故障信号的进一步分析提供参考。     

基于CEEMD-FCM的天然气储运压缩机气阀故障识别技术

为实现天然气储运过程中往复式压缩机气阀故障的快速识别与诊断,采用互补集合经验模态分解(CEEMD)算法对信号进行模态分解,并借助相关系数和能量熵值原理提取信号特征参数;利用人工蜂群(ABC)算法寻找样本初始聚类中心,对模糊C均值聚类(FCM)算法进行优化,完成气阀状态的识别。结果表明:采用CEEMD算法对气阀状态信号进行特征提取,可有效解决经验模态分解(EMD)模态混叠和集合经验模式分解(EEMD)重构误差的问题;与其余组合模型相比,CEEMD-ABC-FCM模型的聚类效果最佳,总分类精度为95%,迭代步数和计算时间最短,可识别不同气阀状态的波形信号。研究结果可为压缩机故障诊断与识别提供理论指导。     

基于小波包与神经网络的往复压缩机故障诊断方法

针对用传统方法难以提取往复压缩机故障特征的实际情况，提出用小波包分解和单支重构来的构造能量特征向量的方法，直接利用各频段成分能量的变化来提取往复压缩机的故障特征。用该方法构造的特征向量能突出反映往复压缩机的故障特征，通过用径向基（RBF）神经网络进行故障诊断，结果表明，该方法可有效地诊断往复压缩机的各种故障。另外，该方法对其他设备的故障诊断也具有借鉴意义。     

基于VMD的旋转机械故障诊断方法研究

旋转机械结构复杂,振动信号信噪比低且多为非平稳、非线性的多分量信号,出现故障时难以有效地进行诊断。常规的小波分析方法需根据信号特点选取特定的小波基和分解层次,自适应分解方法如EMD、EEMD等存在频率混叠及虚假分量现象,在提取微弱信号时易造成误判。提出了一种基于变分模态分解(VMD)和奇异值分解(SVD)的故障诊断方法。首先对信号进行VMD分解,并对分解得到的固有模态函数分量进行SVD降噪;然后从降噪后的分量中选取故障特征分量进行时频域及包络谱分析,最终确定故障类型。仿真及试验结果表明,该方法可以有效地降低噪声,提取微弱故障信息,实现故障诊断。     

齿轮箱复合故障诊断方法及其应用研究

在实际工程中,齿轮箱故障往往以复合故障的形式出现,不同故障的信号相互耦合,彼此干扰,难以进行准确诊断。采用变分模态分解(VMD)和最大相关峭度解卷积(MCKD)相结合的齿轮箱复合故障诊断方法,首先对齿轮箱复合故障进行变分模态分解,并根据互相关准则滤除噪声干扰;然后选取最佳的解卷积周期和滤波器长度,对降噪信号进行MCKD滤波,分离故障特征;最后将该方法应用于齿轮箱,实现其复合故障诊断。通过某油田作业区的现场应用,轴承和齿轮的故障特征频率凸显,证明了该方法的有效性。     

天然气往复压缩机气阀故障分析及诊断

在天然气往复压缩机中,气阀故障占总故障数的60%以上,引起气阀故障原因很多,也很复杂.气阀有多种故障会引起压缩机热力性能和动力性能出现异常,造成压缩机温度、压力、振动等信号偏离正常状态,通过这些信号的监测和分析,就可以对压缩机气缸系统进行状态监测和故障诊断.     

基于共振稀疏反褶分析的顶驱齿轮箱故障诊断

顶驱齿轮箱的检测信号中包含齿轮和轴承的复合特征,具有调幅调频特性,且振动信号多级传递。采用共振稀疏分解法在拟合信号时,对于混合着齿轮振动信号的低共振分量分析能力较差。为此,提出了基于共振稀疏反褶分析的故障信号诊断方法,并引入最小熵反褶积理论。首先对所采集的齿轮箱信号进行时频域分析;然后对得到的信号进行共振稀疏分解,得到信号的高共振分量和低共振分量,并做包络分析,得到齿轮的故障特征频率;最后利用最小熵反褶积变换对低共振分量进行处理,使得低共振分量中的齿轮信号与轴承信号分离开来。分析结果表明:通过对高、低共振分量信号进行包络分析,在高共振分量的包络谱中有效地提取出了齿轮故障特征频率,提高了齿轮故障诊断的准确性。利用最小熵反褶积优化低共振分量信号后,有效地加强了齿轮箱轴承工作过程中的冲击信号,排除了信号分解后齿轮高共振分量混入低共振分量中而导致的干扰,解决了传统诊断方法只能拟合高共振分量信号的问题。所得结论可为顶驱齿轮箱故障诊断方法的进一步发展提供参考。     

基于振动时频域特征的气门间隙故障诊断

为了准确实现内燃机气门间隙异常的诊断,提出了基于频带能量特征向量时频域特征的气门间隙故障诊断方法。介绍了小波包改进算法原理及频段能量计算,并以S195四冲程柴油机为研究对象,测取气门间隙正常、进气门间隙异常和排气门间隙异常等不同工况下的缸盖振动加速度信号,并对其进行改进小波包分解处理,通过6~8 kHz高频带能量的故障阈值和分析信号时域内气门开启、关闭时刻对应的曲轴转角的变化确定进气门或排气门间隙异常,试验结果表明采用该方法诊断出各工况的故障与实际故障吻合。因此,通过小波包分解后各频带相对能量分布来诊断内燃机气门间隙故障是一种有效且可行的方法。     

基于小波包和包络分析的滚动轴承故障自动诊断方法

提出了一种基于峭度-小波包-包络分析的滚动轴承故障自动诊断方法。首先用峭度系数判断是否出现故障,再针对故障轴承振动信号非平稳和调幅的特点,用小波包将信号分解到不同的节点上。然后将不同节点的重构信号做包络谱分析,将谱峰处的频率同滚动轴承内圈、外圈、滚珠、保持架等的故障频率进行对比分析,在此基础上,运用最小距离判别法则自动获得故障原因,从而实现滚动轴承故障的自动诊断。通过对实验中采集到的轴承振动信号进行分析,证明了该方法在轴承早期故障诊断中的有效性。     

往复压缩机在线状态监测和故障诊断系统的研究

针对往复压缩机的故障特征,开发了往复压缩机在线状态监测和故障诊断系统,压缩机的状态参数汽缸内的工作压力、工作温度、振动、转速、活塞杆下移等可以进行在线监测和通过网络进行远距离传输。     

基于EMD样本熵与SVM的石油井架损伤识别方法

针对石油井架损伤位置识别问题,提出了以EMD样本熵提取特征向量、以支持向量机(SVM)为分类识别器的石油井架损伤位置识别方法。利用EMD将损伤井架锤击响应的振动信号分解为多个IMF分量,计算各个IMF分量的样本熵构建特征向量。以不同位置损伤的特征向量样本集训练支持向量机构建模式分类器,经测试该方法能准确识别损伤位置。与EMD信息熵特征提取方法的识别结果进行对比,验证了该方法的有效性。     

联合去噪算法在输气管道泄漏声信号中的应用

针对油气管道发生泄漏后,泄漏声信号在沿管道传播过程中必不可少的会混入噪声问题,研究了变分模态分解(VMD)在管道泄漏去噪中的应用,提出了一种基于VMD,多尺度排列熵(MPE)和小波阈值去噪(WT)的VMD-MPE-WT联合去噪算法.利用MATLAB软件在该算法对信号处理结果进行仿真分析,结果表明:对比小波去噪,VMD,...     

小波变换在柴油发动机故障诊断中的应用

传统的振动分析常采用傅立叶分析法,对于柴油发动机某些非平稳振动信号,傅立叶分析可能给出虚假的结果,从而导致错误诊断。为此,探讨了小波变换在柴油发动机故障诊断中的应用。分析了小波变换的基本概念及其特性,通过对柴油发动机多种工况下振动信号的小波分解和小波重构,阐述了小波分析时频域局部特性在柴油机故障信号的降噪处理及特征提取方面的优势。实例研究表明,小波变换对柴油机发生故障时所产生的非平稳振动信号具有较好的分析效果和使用价值,为柴油发动机故障诊断提供了一条有效的途径。     

基于EMD和HT时频分析方法的滚动轴承故障诊断

针对滚动轴承故障信号的非线性非平稳特征,提出一种基于EMD和HT的时频分析方法。首先对滚动轴承振动信号进行经验模态分解,然后对分解后的固有模态函数分量作希尔波特变换,得到各分量的时频图,清晰直观地显示出信号的时频分布,从而比较方便地从混有背景信号和噪声的振动信号中提取轴承故障信息。通过现场应用,证明了该方法的有效性。     

基于冗余第二代小波变换的振动信号降噪

为了能够提取隐藏在振动信号中的冲击信号,设计了冗余第二代小波变换。采用拉格朗日插值细分原理设计各层的初始预测器和初始更新器,然后通过冗余方案对原始信号进行分解,并对各层细节信号进行阈值处理,将处理后的信号进行重构,即可获得降噪后的信号。对仿真信号和工程实际信号的降噪表明,用冗余第二代小波对原始信号降噪能获得更高的信噪比和更小的均方差,且能完整地保留信号中的冲击成分。在某油田往复压缩机状态监测和故障诊断中,采用该方法有效地提取了曲轴振动信号中的冲击信号。     

基于小波分析的离心式压缩机振动故障诊断研究

为了对离心式压缩机振动故障进行诊断，简要介绍了小波分析的特点和小波变换的原理，利用离散正交小波对离心式压缩机转子正常工作和非正常工作时的振动信号进行了分析和多层小波分解。使其突变信号和非平稳信号与平稳周期性信号分开，达到了故障诊断的目的。     

变转速往复压缩机的等概率关联规则诊断方法

往复压缩机在变转速工作时,振动信号的特征指标呈现多变性和不稳定性,直接通过特征判断设备状态的正确率会大大降低,且传统的故障诊断通常需要提取大量特征,组成高维特征向量,容易造成信息冗余,影响分析的正确率和效率。为此,提出了基于等概率关联规则的变转速特征挖掘方法。首先提取不同转速下振动信号的特征值,然后根据等概率区间划分对特征值进行离散化处理,最后利用关联规则挖掘转速与相关特征之间的变化关系进行特征选择,并将挖掘结果用于往复压缩机状态诊断。通过诊断效果对比可以看出:基于等概率关联规则挖掘得到的特征向量可以有效提高往复压缩机状态诊断的准确率;与等宽度和等密度离散化方法相比,等概率方法的离散化效果更好、区间保留的信息更有效;该方法对试验数据和工业设备之间的数据通用具有良好的鲁棒性,可进行实际应用。研究结果可为压缩机状态诊断提供依据。     

基于VMD-SVM的管道漏磁检测信号特征辨识

传统管道漏磁检测信号处理出现混叠、过包络发散、低频异变等问题,导致缺陷信号特征量提取与识别效果不理想。针对上述问题,基于变分模态分析-支持向量机(Variational Mode Decomposition-Support Vector Machines,VMD-SVM)算法完成管道漏磁信号特征辨识。采用四阶VMD处理管道漏磁信号,解决了经验模态分解(Empirical Mode Decomposition,EMD)的过包络引发的信号发散问题,也解决了小波分解(Wavelet Transform,WT)的低频信号异变问题。同时,以峭度最大原则选择最佳的模态分量(IMFm),提取模态分量的特征量,建立样本集。最后,采用SVM算法对信号特征量进行辨识分类,优选核函数,提高辨识精度。利用现场采集信号进行验证,结果表明:VMD-SVM算法抗干扰性强、识别精度高。     

基于ANSYS的往复压缩机国产活塞响应谱分析

为了评估往复压缩机国产活塞工作性能,选择往复压缩机的曲轴连杆运动到止点位置,利用ANSYS Response Spectrum模块对活塞与活塞杆组成的系统进行模态分析和响应谱分析,得出活塞组件在正常工况下的固有频率和模态振型。现场采集该往复压缩机缸套的振动加速度信号,采用二代小波包算法降噪,并进行频谱分析。在活塞的X方向、Y方向和Z方向同时载入加速度频谱及其响应幅值,得出了活塞在加速度频谱下的变形与安全因子等响应情况。分析结果表明:国产活塞工作时的应力应变均在许可范围内,验证了油田对往复压缩机活塞部件国产化改造的合理性。研究结果为该类活塞的安全性评定提供了依据。     

基于混沌理论的往复泵故障特征提取方法

特征提取是往复泵状态监测与故障诊断的关键环节。往复泵的振动信号含有丰富的频率成分,大量的高频成分使得确定的时间延迟过小,导致重构的相空间难以充分恢复系统的动力学行为。分别利用小波包奇异值分解(WPSVD)降噪方法和小波包迭代奇异值分解(WPISVD)降噪方法对往复泵振动信号进行降噪以获得整体信号和低频部分信号;利用C-C方法合理地确定低频部分的相空间重构参数;利用得到的相空间参数提取整体信号的关联维数和最大Lyapunov指数。结果表明,关联维数和最大Lyapunov指数可作为往复泵故障诊断的特征量。