共查询到10条相似文献,搜索用时 484 毫秒
1.
基于小波包分析及神经网络的汽轮机转子振动故障诊断 总被引:2,自引:0,他引:2
根据Bently实验台所采集的碰摩、松动、不对中、不平衡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能量分析并提取故障特征.分析结果表明:小波包分析与信号能量分解的故障特征提取方法,可以获得汽轮机转子振动的故障状态,有较好的故障区分度;另外由于经过小波包分解再重构后所提取的故障特征参数浓缩了汽轮机转子振动故障的全部信息,而BP神经网络具有优良的非线性映射能力,对提取的故障特征参数应用BP神经网络映射,可对汽轮机转子振动故障进行进一步的诊断.诊断结果表明:基于小波包分析及神经网络的故障诊断方法,具有较高的故障识别能力. 相似文献
2.
在飞行实时状态监控过程中,强震动环境下的发动机碰摩故障检测的准确性,关系到飞行的安全.在强震动环境下,发动机转静容易发生碰摩故障,多个碰摩故障往往是同时发生的,但是,故障的振动信号之间不存在之间关联.碰摩故障特征彼此独立,故障特征数据之间缺少可直接建立的关联.传统的故障挖掘方法在发动机转静碰摩故障检测的过程中,只能 根据振动信号对这种故障进行检测,振动信号本身存在很多干扰,也很难包括所有的碰摩故障特征,导致故障检测不准确.为解决上述问题,提出采用改进关联规则挖掘的强震动环境下的发动机碰摩故障检测方法.针对飞机发动机碰摩数据进行关联聚类处理,获取样本空间的分类矩阵,并对发动机碰摩数据进行更新.根据更新结果,计算发动机碰摩数据关联概率值,得到概率决策,针对飞行器碰摩数据进行关联规则挖掘,实现发动机碰摩数据故障优化检测.实验结果表明,利用改进关联规则算法进行强震动环境下的发动机转静碰摩故障检测,极大的缩短了检测时间,降低了漏检率,提高了检测精确度. 相似文献
3.
基于小波包与支持向量机的碰摩故障识别方法研究 总被引:1,自引:0,他引:1
为了很好地识别旋转机械的转静件碰摩故障,提出了基于小波包和支持向量机(SVM,support vector machine)的碰摩故障识别方法.采用小波包对信号进行特征向量的提取,利用基于"一对多"和"一对一"的改进算法构建多类故障分类器,对多种碰摩故障进行识别.同时,以双盘悬臂转子-轴承系统的碰摩故障为例,应用该方法进行故障识别,试验结果表明,RBF核SVM故障平均识别率达到97.25%.可见,基于小波包与支持向量机分类器诊断方法的识别率明显优于传统的BP神经网络和RBF神经网络分类器,且鲁棒性好,并具有良好的泛化推广能力. 相似文献
4.
在灰色预测模型的基础上,提出了改进背景值和初始值两种优化形式,对灰色系统进行优化,并应用小波包分解技术提取发动机转子振动信号的故障特征作为灰色预测系统的输入值,实现了对发动机转子的故障预测;通过实验仿真证明,这个优化灰色预测模型预测精度高,误差小,应用于航空发动机转子故障预测是完全可行和有效的. 相似文献
5.
6.
7.
提出空间反馈最优调节方法,利用映射空间关系对混沌振子的相变进行自治而快速辨识,以尽早而准确地捕捉表征转子碰摩早期的特征信号,进而实现对转子碰摩故障进行早期检测.仿真和数值实验均表明,基于空间反馈最优调节方法可以在150周实现对振动信号进行可靠控制,是一种具有实际应用价值的故障预测方法. 相似文献
8.
汽轮机转子碰摩热弯曲动力特性研究 总被引:1,自引:1,他引:0
本文简化了汽轮机转子模型,并根据转子碰摩理论建立了一种简单的求解碰摩截面热分布的计算模型,使得碰摩截面热分布的计算大大简化.依据转子动力学理论推导了本模型的运动方程,并作无量纲化以便于MATLAB数值求解收敛,最终建立了转子系统由摩擦引起的弹性热弯曲——碰摩耦合故障动力模型.利用四阶Runge-Kutta方法求解微分方程组得到了在不平衡力、碰摩力和碰摩热弯矩耦合作用下转子系统的响应,并对低于、接近和高于临界转速下碰摩热弯曲转子的动力学特性进行了数值仿真研究,包括时域、频谱、轴心轨迹以及碰摩力的变化.结果表明,转子在低于和接近临界转速运行发生碰摩,转子的振动由平稳状态逐渐发散,而在高于临界转速发生碰摩时转子的振动会逐渐减小. 相似文献
9.
针对燃气轮机转子碰摩故障的振动特性,建立了包含温度因素的9F级燃气轮机碰摩转子的动力学方程.建立9F级燃气轮机转子的结构模型,对燃气轮机转子进行瞬态热应力分析,同时考虑到碰摩力的影响.研究了9F燃气轮机转子从正常运行到停机72小时不同时刻的温度场及热应力.分析结果表明:采用有限元分析方法对9F级燃气轮机碰摩转子的振动特性研究是可行的,同时考虑到转子热固耦合作用的影响,对于更准确地研究转子的碰摩故障的振动特性具有重要意义. 相似文献
10.
Hilbert-小波变换的齿轮箱故障诊断* 总被引:1,自引:0,他引:1
采用希尔伯特—小波变换对振动加速度传感器获取的齿轮箱振动响应信号进行特性分析。利用小波变换分解获得振动响应信号的各层高频信号小波系数和低频信号小波系数,对小波系数进行重构获得具有不同特征时间尺度的各高频信号和低频信号;再对分解的信号进行希尔伯特变换获得时频信息谱以提取系统的统计特征信息,实现监测齿轮运转工作状态,及时发现齿轮的早期故障,提高机械运行的安全性。仿真研究结果表明,小波变换分解和希尔伯特边际谱方法在故障信息诊断方面是可行和有效的,提高了故障检测的可靠性。 相似文献