电厂汽轮机高中压转子振动突变故障识别研究

为了保证电厂汽轮机能够在高温、高转速环境中安全稳定运行,提出电厂汽轮机高中压转子振动突变故障识别方法．根据电厂汽轮机高中压转子振动突变故障时的轴系振动特点,利用一体化电涡流位移传感器采集相应的故障信号,利用小波包分析提取高中压转子振动突变故障特征,将提取到的故障特征作为输入量,输入采用人工鱼群算法优化的RBF神经网络中,输出电厂汽轮机高中压转子振动突变故障类型识别结果．在实验过程中对质量不平衡、转子热弯曲、转轴不对中、转动部件飞脱、动静碰磨、汽流激振、结构共振、结构刚度不足、转子裂纹等9种常见故障进行识别．实验结果表明,该方法分解并重构的电厂汽轮机高中压转子振动突变故障信号质量较高,获得故障识别结果与实际故障相同,识别精度高,结果具备可靠性．     

Hilbert-Huang变换在汽轮机故障诊断中的应用

汽轮机故障诊断的核心是汽轮机振动信号处理。在现场采集的汽轮机振动信号是一个非线性非平稳信号,在使用传统的信号处理方法进行处理时都不能取得理想的效果。为了更加有效的对汽轮机振动信号进行处理,介绍了一种时频分析方法Hilbert-Huang变换,使用该方法对汽轮机振动信号进行分析,可以将故障信号从高频到低频逐个分解出来,从而根据故障信号特征频率进行汽轮机故障诊断。并且,通过仿真实验证明了使用该方法处理汽轮机振动信号可以取得较好的效果。     

基于支持向量机的转子振动故障融合诊断技术

针对某些大型复杂旋转机械振动信号特征提取和故障样本获取难的问题,提出了一种基于小波包特征谱熵支持向量机（SVM）的转子振动故障融合诊断方法.通过转子实验台模拟了转子振动的4种典型故障,并采集其振动故障数据.用小波包对振动故障信号进行分解,提取故障信息含量大的频带并计算出其小波特征谱熵作为故障特征,建立故障诊断模型.通过对故障类别的区分和故障严重程度的判断,验证了该方法在解决转子振动故障信号的特征提取及小样本情况下的故障诊断问题等方面是有效的.     

基于神经网络数据融合技术的诊断系统的研究

神经网络数据融合技术的诊断系统是以电机振动信号和电流、电压信号为研究对象的,对采集到的3类信号进行实时处理,运用神经网络对数据进行局部诊断,再利用数据融合技术对故障信号进行全局分析融合,从而达到对电机故障类型的准确判断。通过运行表明,应用在故障诊断中的神经网络数据融合技术是一种故障识别率高、方便灵活而且诊断精度高的故障诊断方法。     

基于二维CNN与多源机电信息融合的同步电机转子匝间短路故障诊断方法

为提高同步电机转子绕组匝间短路故障的诊断准确率,以一台型号为SDF-9的一对极同步发电机为研究对象,提出了一种基于二维卷积神经网络(Convolutional Neural Networks, CNN)与多源机电信息融合的匝间短路故障诊断方法。首先选取故障前后的定子环流、转子振动、定子振动信号为故障特征,采用信号-图像转换方法将一维时序信号转化为二维灰度图像。其次将处理后的图像分别作为二维CNN模型的前置输入进行训练。最后采用D-S证据理论将3种证据体的输出概率进行决策融合。结果表明：该方法消除了单一信号易受传感器故障及环境变化的影响,故障诊断准确率显著提高,并与其他传统故障诊断算法的诊断结果进行对比分析,验证了此方法的有效性。     

基于1D-CNN的齿轮3D振动信号故障诊断方法

为了解决从齿轮一维振动信号提取故障特征不全面的问题,提出一种基于一维卷积神经网络（one-dimensional convolutional neural network,1D-CNN）的齿轮3D振动信号故障诊断新方法。首先,提取原始三维振动信号各维的时域特征;其次,利用一维卷积神经网络（1D-CNN）模型进行特征选择;最后,将选择后的特征进行重组,重组特征作为1D-CNN故障诊断模型的输入实现故障分类操作。结果表明,利用提出的故障诊断方法,诊断准确率显著提高。模型的结构简单,训练速度快,能够快速实现故障诊断。     

基于阶次小波包与Markov链模型的转子早期故障诊断

针对转子启动过程中振动信号表现为非平稳、非高斯特征及传统诊断方法精度不高的现状,将阶次小波包和Markov链模型引入转子的早期故障诊断中,提出了一种新的自适应故障诊断模型。首先利用阶次跟踪算法对瞬态振动信号重采样,得到等角度分布诊断信号;其次采用小波包对该信号分解——重构,提取其在各频带的能量特征向量,通过Markov链模型对其进行预测;最后通过故障实例验证,结果表明:将阶次小波包变换和Markov链模型相结合进行故障诊断是可行而有效的。     

异步电机转子断条故障诊断研究

针对异步电机转子断条故障诊断中,原始信号包含的故障特征成分能量微弱,其提取过程较为繁琐,给断条故障的及时诊断带来不便,提出一种基于经验模态分解(Empirical Decomposition Mode,EMD)能量熵,主成分分析(Principal Component Analysis,PCA)和支持向量机(Support Vector Machine,SVM)相结合的新诊断方法,无须提取信号中的故障特征频率就能对电机断条故障做出准确的判断。该方法选取振动信号经过PCA处理后的EMD能量熵作为新的故障识别分类的特征量,然后支持向量机模型便可以根据断条故障前后振动信号EMD能量熵内在变化规律对转子正常和断条故障时的两种振动信号进行准确分类。通过实验分析表明,该方法操作便捷且简单,能够将转子正常和发生断条故障时的两种振动信号数据全部准确的识别分离,达到对转子断条故障进行有效识别诊断的目的,验证了方法的实用和有效性。     

基于 BP 网络的旋转机械故障诊断

分析了旋转机械振动故障的特性,在此基础上对基于ＢＰ算法的诊断方法进行了研究,建立了振动故障诊断的神经网络模型,对影响诊断网络的参数进行了详细分析,获得了用于振动故障诊断的最佳网络模型。针对ＢＰ网络收敛速度慢的缺点,提出了改进算法。该诊断模型在模拟转子实验台上进行了实验验证取得了良好的效果。     

自制转子故障诊断系统在纸机烘缸转动系统中的应用

采用陕西科技大学造纸工程学院自制的转子故障诊断系统在生产现场采集、传送了1760纸机烘缸转子的振动信号，进而利用特征距离值及双因子相关分析法对振动信号进行了特征值分析，找出了转子是否正常工作的特征值判据，为造纸工厂纸机在线故障监测与诊断提供了一种新的可行方法。     

基于纵横交叉算法优化BP神经网络的风机齿轮箱故障诊断方法

风电机组齿轮箱的运行工况比较复杂,容易发生故障. 针对常规BP（Back Propagation）神经网络故障诊断容易陷入局部最优的问题,提出一种基于纵横交叉算法（Crisscross Optimization Algorithm,CSO）优化BP神经网络的风电齿轮箱故障诊断新方法. 考虑到风电齿轮箱振动信号的波动性和非线性,首先从信号中提取故障特征参数,建立带评价因子的误差分析模型,然后通过纵横交叉算法优化BP的权值和阈值对神经网络进行训练,最后用训练好的神经网络对样本进行测试. 经实验仿真并与其他方法的对比,验证了本文方法用于风电机组故障诊断有效性及优越性.     

基于神经网络的汽轮机故障智能诊断系统的设计

介绍了BP神经网络的结构和算法,分析了如何将BP神经网络用于机械设备的故障诊断,结合汽轮发电机组的故障特性,建立了汽轮发电机组故障诊断的神经网络模型,并利用该神经网络模型对汽轮发、也机组的故障进行了诊断,诊断结果是正确和有效的。     

基于小波和神经网络的传感器故障诊断

提出了一种新的基于小波包变换和BP神经网络的传感器突变故障诊断方法。根据小波变换在时域和频域都具有良好的局部化特性对信号特征进行精确定位,根据传感器输出信号的小波包分析提取能量变化率的特征向量,利用BP神经网络进行传感器故障分类。这种方法无需预先建立传感器模型和测量传感器输入信号,通过对小波包系数的削减,减少了冗余数据,提高了故障检测的实时性。仿真实验结果表明了该方法的有效性。     

基于人工鱼优化的神经网络汽轮机振动故障诊断

建立了人工鱼群神经网络模型,利用人工鱼的聚群、追尾和觅食行为训练RBF神经网络的权系数,提高了神经网络的收敛速度和精度.依据此模型提出一种故障诊断方法,并应用于汽轮机振动故障分析.仿真结果表明:本算法与BP及RBF算法相比具有较高的故障诊断准确率和较好的泛化能力.     

一种多组并联模糊神经网络用于信息融合诊断

研究了诊断对象多方位信息的综合利用,讨论了数据层融合的加权自适应最小平方估计、关联及特征层融合的模糊处理,并提出了一种新型的多组并联的模糊神经网络故障识别方法,在汽轮发电机组故障诊断中,解决了繁多种类的大量数据的快速处理,利用整体协调优势,提高了复杂设备并发故障诊断的精确度,并给出了应用实例。     

大型风机的多层感知智能故障诊断方法研究

根据BP神经网络的基本原理,建立风机故障的智能诊断系统,给出风机常见故障模式样本及网络诊断输出结果。系统在设备出现异常后进行诊断,诊断结果准确可靠,通过对大型风机的故障诊断,验证其方法的可行性。     

基于GA-PSO优化BP神经网络的压缩机气阀故障诊断

针对压缩机气阀故障信号非平稳性、非周期性的特点,提出一种基于主成分分析（PCA）和GA-PSO优化BP神经网络的压缩机气阀故障诊断方法。首先利用小波包分解提取出气阀故障的特征;然后故障特征向量通过PCA降维,降低网络的规模和计算时间。针对标准BP算法收敛速度慢且易陷入局部极小的缺点,引入一种GA-PSO算法用于BP神经网络的参数优化过程。最后以往复压缩机阀盖的振动信号作为信号源,通过故障诊断仿真测试,验证了PCA和GA-PSO-BP神经网络对压缩机气阀故障诊断具有可行性和有效性。     

基于信息融合方法的电机故障诊断研究

研究鼠龙异步电机转子故障诊断技术,先运用小波包分析技术对电机电流信号进行了特征值的提取,将信号进行3层分解,然后将噪声信号分离并对噪声信号进行FFT能量分析,根据噪声能量含量的大小来判断断条故障的严重程度。然后利用BP神经网络对电机的电流信号能量特征值分别进行训练和检验,并初步得出诊断结果。再运用D-S证据理论对BP神经网络的输出结果进行了决策层的信息融合故障诊断,并得出了最终的诊断结果。实验表明,在一定程度上采用多证据的融合能进一步提高诊断的准确度。     

基于EEMD的ICNN故障诊断方法

针对轴承微弱故障特征提取困难和故障诊断准确率低等问题,提出一种基于集合经验模态分解的改进卷积神经网络的故障诊断方法。首先,利用集合经验模态分解(EEMD)对信号进行降噪等预处理,并将预处理后的信号转换为二维信号;其次,为了解决数据特征不确定性和卷积神经网络(CNN)内部参数爆炸的问题,在CNN的卷积层和池化层之间增加批量归一化层进行标准化处理,得到改进的卷积神经网络(ICNN);最后,以风电机组轴承微弱故障数据集为例,验证了所提方法相较于其他诊断方法更具有优越性,能够有效提取故障特征,具有较高的准确率和诊断效率。