FTA法用于分析离心式鼓风机低油压故障

离心式鼓风机在化工、冶金等行业广泛应用,而润滑系统低油压故障却时有发生。引起低油压故障的因素较复杂,本文应用故障树分析法(简称FTA法)对其进行剖析(见图)。     

离心式鼓风机轴封的改造

济钢中厚板厂现有离心式鼓风机10台,分别用于加热炉送风,轧机主电机冷却,地下室通风,冷床钢板冷却。它们对生产的正常运行有着重要的影响。 离心式鼓风机的结构如图1。 图1 离心式鼓风机的结构简图 由图1可以看出,离心式鼓风机由机壳,叶轮,主轴,油箱,联轴器,电机组成。油箱两端为轴承座,主轴上的两盘滚动支撑轴承分别安装在两个轴承座内,轴承座外侧为轴封,防止润滑油泄漏,这种风机的结构简单,运行稳定,但是,在使用中发现,风     

离心式鼓风机并联运行的振动分析

简介了事故发生的过程及解体后检查的结果，对产生事故的原因做了分析。指出了所采取的技术措施，最后提出了两点建议。     

离心式鼓风机噪声控制及其特点

介绍了炼铁厂鼓风机噪声源,并用消声器对风机噪声进行了控制,分析了离心式风机噪声的控制特点.     

离心式鼓风机叶轮的应力腐蚀

通过对裂纹断口形状和特点的分析，从应力来源、焊接缺陷等方面对应力腐蚀裂纹的影响进行了探讨。从焊后热处理、工艺结构刚性等方面对预防和减少应力裂纹的产生提出相应的解决办法。     

离心式烧结鼓风机润滑系统的改造

离心式烧结鼓风机润滑系统的改造济南钢铁总公司烧结厂谢超雄一、问题的提出我厂２×９０ｍ２烧结机分别于１９９４年１０月和１１月相继一次顺利地点火投料烧结成功。其主抽风机ＳＪ９０００—１．０３３／０．９９３离心鼓风机采用陕西鼓风机厂产品。该风机润滑系统由主...     

基于模糊神经网络的故障预测方法研究

在对模糊神经网络技术进行研究的基础上,介绍了故障预测原理,建立了预测分析的模糊神经网络模型,提出了改进的预测算法,并举例对算法进行了仿真验证。预测结果表明该方法能够取得比传统的BP更好的效果,是可行而有效的。为仪器设备的尽快维修提供了可靠的依据,具有良好的应用前景。     

高温离心鼓风机的现场性能分析及故障排除

分析了现场高温离心鼓风机性能参数与设计参数差距较大的原因，结合现场测试，排除了管网系统不易查找的多处漏风，使机组投入正常生产运行。     

离心式鼓风机组安装调试的处理

列举了离心式鼓风机组在设备安装调试中遇到的多方面问题，通过原因分析，实施了解决问题的措施，使机组投入了正常运行。     

引进的离心式鼓风机运行分析

主要对德国EHX-640／1600／2050鼓风机的运行状况进行了技术分析，提出了改进措施，并通过科学合理的维护模式来稳定风机的运行，提高了风机的技术和经济性能。     

煤气鼓风机故障模式识别方法研究

为了克服BP神经网络收敛速度慢且容易陷入局部极小问题,提出了将遗传算法与神经网络相结合用于故障诊断的方法。综合遗传算法的全局搜索性和神经网络的并行快速性等特点,通过使用遗传算法优化神经网络的初始权值达到加快其收敛速度的目的。实例结果表明用遗传算法改进后的神经网络在故障模式识别中是可行有效的。     

基于神经网络的FMS故障诊断方法研究

对神经网络理论应用于FMS（Flexible Manufacture System,柔性制造系统）故障诊断进行研究,在介绍了神经网络基本理论的基础上,提出一种FMS故障诊断的神经网络计算方法。     

基于Elman神经网络的滚动轴承故障诊断方法

介绍了Elman神经网络的模型及原理,阐述了滚动轴承故障诊断的技术路线;通过轴承故障试验台采集滚动轴承振动信号并提取信号特征数据,利用构建的Elman神经网络,实现了轴承的智能诊断。与传统BP神经网络诊断相比,Elman神经网络综合诊断性能更优。     

基于神经网络的导弹故障诊断方法研究

针对传统方法在导弹故障诊断领域应用中的局限性,提出了将神经网络理论与专家系统技术相结合的混合方法用于导弹的故障诊断过程.介绍了BP神经网络推理模型,研究了基于神经网络的导弹故障智能诊断专家系统的结构及功能实现,并对某导弹系统进行了故障分析,给出了具体的诊断实例.将此方法应用于导弹武器系统故障诊断中,可提高诊断的智能性.     

基于模糊神经网络的航空发动机故障诊断研究

提出了一种基于模糊神经网络的航空发动机故障诊断方法 ,介绍了该方法的原理及实现算法 ,并利用某型发动机地面定检状态实测的数据作为样本数据 ,建立了基于模糊神经网络的航空发动机的故障诊断模型。通过该模型对起飞状态实测的发动机参数进行了辨识 ,结果表明该方法具有学习速度快、诊断精度高等优点。可用于航空发动机及其它装备的故障诊断。     

离心鼓风机频繁停车的故障处理

介绍了离心鼓风机频繁停车检修的经过,分析了产生各种故障的原因,提出了具体的解决办法和建议.     

基于BP神经网络和证据理论的离心压缩机喘振诊断方法

离心压缩机是石油化工生产中的核心动力设备,然而运行过程中易发生喘振故障造成事故。对于喘振故障,传统方法采用时频特征分析方法诊断,而该方法通常在喘振发展到后期、信号特征明显的情况下才诊断出喘振故障。为解决该问题,提出基于BP神经网络和证据理论的诊断方法,该方法使用故障数据训练得到BP神经网络,进而对采集的数据进行初步诊断,再采用证据理论融合各初步诊断结果得出诊断结论。通过在离心压缩机实验台上模拟喘振故障,结果表明:该方法能够准确诊断压缩机喘振故障,此外与传统方法相比,采用该方法能在喘振发生初期诊断出故障,从而进行调控避免喘振发展到后期,这对实现离心压缩机防喘具有重要意义。     

强差异性神经网络集成的转子故障识别方法

针对误差反向传播（back propagation,简称BP）神经网络在作为传统Bagging集成学习机中的基分类器时,存在相互之间差异性偏低的问题,引入一种特征扰动法对集成学习机的分类性能进行改进。首先,将Relief?F特征评估算法和改进轮盘赌选择法进行结合,并设置基分类器的数目为30个,从转子故障特征集中选择出30个特征子集,每个特征子集的故障特征维数为30;其次,将训练集和测试集分别投影在对应的30个故障特征子集上,得到对应于30个基分类器的系列训练子集和测试子集,通过此方式实现了特征扰动环节;最后,利用Bagging集成学习机中自带的自助采样法对各训练子集进行处理,使其在最终输入至各基分类器时在特征空间和样本集合上都具有一定的差异性,间接使训练后的基分类器之间显示出更高的差异性,让最终的分类结果可信度更高。用一种低维双跨转子故障数据集对该集成学习方法进行类别辨识的结果表明,本方法能够显著提高BP网络的辨识准确率,并且具有良好的抗干扰性能。     

基于图卷积神经网络的电路板装配故障反演方法

现阶段电路板装配故障信息不能有效反演至设计师,导致设计制造迭代效率无法提升。文中提出了一种基于图卷积神经网络的电路板装配故障反演方法,首次将电路板的电路结构作为非欧结构数据进行研究,提出了电路板电路结构的图化方法和批量双模型图卷积相似度算法以解决电路板装配故障反演问题。算法主要流程包括：将目标电路板和待检测电路板群拼接,形成训练集、验证集和测试集,送入第一模型,依次由图卷积神经网络层、全连接层和softmax层对图节点进行分类,并利用准确率、召回率和F1值评估第一模型;随后将完整数据送入第二模型,利用余弦相似度得出目标电路板装配故障器件点和待检测电路板群器件点的相似度评分,并将量化结果推荐到电路板设计师完成辅助设计。实验结果表明,该方法能够对电路板相似故障提出有效的反演设计建议。     

基于LMBP神经网络的故障预报方法及其应用

利用具有二阶收敛效应的Levenberg-M arquardt(L-M)算法优化BP的权值修正量,提出了一种快速收敛的LMBP学习算法,给出了基于LMBP神经网络的故障预报方法,并应用于某陀螺仪的故障预报。结果表明:较之BP和传统改进BP网络,LMBP网络有着更高的收敛速度;基于该网络的时间序列预测模型可以实现性能优越的非线性预报器,将其应用于非线性系统的故障预报能够取得良好的效果。