振动检测技术应用四例

结合真空风机不平衡故障诊断处理、压榨辊齿轮箱内轴承故障诊断处理、臭气风机轴承故障诊断处理、制浆E/O中浓泵叶轮及腔内结垢诊断处理四个实例,说明振动检测技术在实际故障诊断中的应用及效果。     

齿轮箱故障振动诊断的研究

对齿轮箱基于振动的故障诊断（齿轮、轴承、复杂齿轮箱以及基于相瞬态过程的故障诊断方法）进行了详细地叙述,并对齿轮箱不同零部件的故障诊断方法进行了分析与探讨,指出传统齿轮箱故障诊断方法的不足,展望了今后齿轮箱故障诊断方法。     

基于群体多维相似性的风机齿轮箱预警策略

风场区域气候周期性变化及气象条件瞬时变化都会直接影响风电机组设备运行状况,已有齿轮箱故障预警策略较少与周边相似风机联动,偏向于"单体预警"。将高斯混合模型、动态时间规整及熵权值算法三者紧密结合,提出了一种基于群体多维特征相似性的故障预警策略:通过与周边风机的相似性联动,消除周期性及瞬时性环境因素对预警结果的影响;采用分级时间滚动窗口生成风机相似关系,保留数据的时间次序属性,展示研究对象的数据资源迁徙规律,判断潜在故障风机。最后,用福建沿海风场监控与数据采集系统(SCADA)数据验证了所提预警算法的有效性与实效性,至少可以提前26天预警潜在故障风机。     

基于多元函数粒子群的齿轮箱检测优化方法

针对机车齿轮箱检测获取的多源信号具有数据量大、相关性低和可靠性差等问题,提出一种新型智能优化算法为多元函数粒子群优化算法。研究了粒子种群的异众比率和适应度对惯性权重的影响,在传统粒子群算法的基础上提高了算法的收敛速度及效率,以正则化模态差的适应度函数作为测点数量的评价指标,根据齿轮箱模态振型分析,实现了齿轮箱的多传感器检测优化。以齿轮断齿故障为试验对象,通过与传统检测方法比较分析,准确获取了齿轮箱输入轴转频39.5 Hz,第三级啮合频率90.5 Hz以及2～5倍频成分,快速识别了故障齿轮的位置。实验结果表明了该方法能够增强结构参数的识别率,有效提高了故障诊断的准确性,同时为机车故障预警和安全服役提供了关键技术基础。     

基于免疫算法的风力发电机齿轮箱传感器布置优化研究

在风力发电机齿轮箱故障诊断中信号采集是故障分析诊断的前提条件,同时也是必要条件,目前最为成熟的方法为振动信号分析方法,而由于齿轮箱内部结构不能破坏等原因导致振动传感器只能安装在齿轮箱外壁,齿轮箱外壁传感器位置布置的优劣会直接影响诊断精度;为此,采用免疫算法解决风机故障诊断中传感器测点布置的问题,构建齿轮箱振源坐标系,计算振动传输的最佳采集路径,确定最佳测点,实现了传感器测点的优化布置,为传感器布置提供了有效的方法。     

变工况齿轮箱故障诊断方法综述

齿轮箱是机械传动链中的关键且故障多发部件,传统齿轮箱诊断方法难以对运行在变工况下的齿轮箱故障进行准确的检测和有效识别。综述了国内外对于变工况齿轮箱故障诊断技术、研究现状及进展,并简要讨论了变工况齿轮箱故障诊断方法的应用现状及可能的发展趋势。     

新书介绍

1．《齿轮及齿轮箱故障诊断实用技术》一书系统论述了齿轮、滚动轴承和轴的常见失效形式，振动噪声产生的机理和故障的主要形式，调制现象和边频带分布特点，齿轮及齿轮箱振动信号的时域、频域和现代解调分析的各种处理方法，提取了十种典型故障振动信号特征。从现场诊断技术需要的角度出发介绍了齿轮箱故障诊断常用的振动噪声故障诊断方法、扭振故障诊断方法和润滑油分析技术，以及使用这屿方法和技术进行齿轮箱故障诊断的常用仪器和系统，判别标准建立方法和一些典型标准，最后分类介绍了齿轮箱故障诊断的工业应用实例。定价31元（含邮资）。     

采煤机摇臂齿轮箱故障诊断

基于采煤机摇臂齿轮箱故障诊断技术的现状,分析采煤机摇臂齿轮箱故障诊断的难点和特点及现有诊断方法的不足,提出振动检测方案,旨在利用可靠的研究成果来改善采煤机的工作环境和工作状况,减小采煤机摇臂齿轮箱故障发生的概率。     

风机齿轮箱主要部件失效形式及预防措施分析

齿轮箱是“双馈”风电机组的主要零部件之一,其一旦出现故障,维修时间长、维修成本高,会带来较多的发电量损失和营业成本增加。本文对风机齿轮箱的齿轮、箱体和轴承三大主要部件的失效形式进行了总结,失效原因进行了分析,并提出了一些预防、预警和修复措施,以期指导风电场降低风机齿轮箱故障率,提高风机运行的稳定性,提升经济效益。     

风机齿轮箱状态监测与故障诊断系统设计研究

针对风力发电机组地处偏远、人工巡检排故困难,利用物联网技术开发了远程状态实时监测和故障诊断系统,分析了总体框架,构建了故障诊断规则库,阐述了工作流程。该系统可实现对风机齿轮箱运行状态的远程实时监测,通过分析风机齿轮箱运行状态信息触发自动故障诊断系统和基于规则的故障诊断,生成故障诊断报告,并将其导入专家经验库。经风电机组齿轮传动实验台实验检验,系统界面友好,能为维修工程师进行故障排查提供解决方案,提高排故效率,缩短排故时间,降低排故难度。     

基于PSO-SVM的齿轮箱故障诊断研究

针对目前齿轮箱故障诊断存在的检测难度大、主观性强、准确性不高等问题,提出了一种基于粒子群算法和支持向量机的故障诊断方法。运用时域频域分析法对振动信号进行分析获取特征值,利用支持向量机(SVM)技术对齿轮箱特征参数进行模式识别和故障分类,并引入粒子群算法(PSO)用于优化支持向量机参数,建立了齿轮箱典型故障诊断模型。实验结果表明:该方法可以对齿轮箱不同故障类型进行准确的分类,有效的提高了齿轮箱故障诊断的可靠性。     

基于互补的总体经验模式分解算法的齿轮箱故障诊断

针对经验模式分解(EMD)和总体经验模式分解(EEMD)算法在齿轮箱故障诊断中的缺陷,提出了一种基于互补的总体经验模式分解(CEEMD)算法的齿轮箱故障诊断方法。首先介绍了CEEMD方法,然后将CEEMD方法用于实际齿轮箱的故障诊断中。结果表明,与基于EMD/EEMD算法的齿轮箱故障诊断方法相比,基于CEEMD算法的齿轮箱故障诊断方法不但可以有效地克服模态混叠和能量泄露现象,而且大大提高了计算效率,为齿轮箱的故障诊断提供了一种新的方法。     

基于改进EMD样本熵和SVM的风机滚动轴承故障诊断

风机齿轮箱振动信号成分复杂,而经验模态分解(EMD)在故障诊断中存在模态混叠和端点效应问题.针对此问题,研究了一种EEMD样本熵和高斯径向基核函数的SVM分类器的滚动轴承故障诊断方法.以风机齿轮箱滚动轴承为研究对象,提取了内圈故障、外圈故障、滚动体故障和正常轴承4种状态振动信号,利用EEMD和小波分别对振动信号分解降噪并筛选主要IMF分量;计算前4阶IMF分量的样本熵作为特征向量;最后将特征向量输入高斯径向基核函数的SVM模型进行故障识别.结果表明:EEMD算法对端点效应和模态混叠都有一定抑制作用,EEMD样本熵和SVM相结合可有效识别滚动轴承故障类型,故障识别率为97.5％,为工程应用中风机齿轮箱滚动轴承故障诊断提供参考.     

基于近似熵的齿轮箱状态监测与故障诊断

针对齿轮箱故障诊断缺乏有效的快速算法的问题,提出了基于近似熵(Approximate Entropy,ApEn)参数的齿轮箱故障诊断方法。首先介绍了近似熵的概念和计算方法,然后利用近似熵对轻度磨损、中度磨损和断齿故障状态下的齿轮箱进行故障诊断。结果表明,近似熵参数不但能有效地对齿轮箱的故障状态进行区分,而且可以清楚地刻画齿轮箱故障状态的演变过程,因而适于作为齿轮箱故障诊断的特征参数。为齿轮箱的状态监测与故障诊断提供了一种新的方法。     

一种基于K均值聚类分析的风机退化模态识别

为提高风机预警维护的及时性与准确性,需对风机运营状态、退化模式进行有效识别,提出一种基于K均值聚类分析的风机退化模态识别。基于统计识别理论,引入K均值聚类分析对历史数据与状态信息学习分类,通过调整类内紧密度识别齿轮箱退化状态,利用风机模拟平台进行退化状态评估实验,划分退化区间,验证齿轮箱性能评估的有效性。实验结果表明基于K均值聚类分析的风机退化识别模型可有效识别风机运营模态,划分退化区域,为建立风机维护模型提供更为精确的科学依据。     

振动诊断在齿轮箱故障诊断中的应用概述

本文介绍了齿轮箱常见的故障形式及诊断方法,主要阐述了利用振动信息进行故障诊断的优势、齿轮故障振动诊断方法以及其在齿轮箱故障诊断中的重要性。利用振动诊断方法可以为工作人员在齿轮箱故障诊断过程中提供及时、有效地帮助。     

基于XGBoost-LightGBM-LSTM的风机齿轮箱轴承故障预警

针对风电机组齿轮箱温度预测准确性较低,泛化能力差的问题,提出一种极端梯度提升树(XGBoost)、轻量梯度提升机(LightGBM)和长短时记忆网络(LSTM)加权融合的组合模型对齿轮箱轴承温度进行预测。采用灰色关联度(GRA)选取与齿轮箱轴承密切相关的特征参数作为组合预测模型的输入,利用训练好的组合模型预测齿轮箱轴承正常工作温度,计算与实际温度值之间的残差,并用滑动时间窗口设置预警阈值,从而进行齿轮箱轴承故障预警。通过江苏某海上风场5 MW风机实际数据验证表明,该组合模型对风电机组齿轮箱轴承温度预测精度较好,并能提前进行故障预警。     

合成气主风机共振故障诊断与调试

某合成气主风机机组在运行过程中,测试系统显示与齿轮箱高速轴相连的主风机轴振动出现持续缓慢上涨现象。结合在线监测系统的相关图谱进行分析,对比分析特定工况下频谱特征及轴心轨迹的变化规律,探究可能导致此现象的众多因素,并逐步分析排除。阐述故障诊断一般思路及方法,为今后分析此类故障提供理论和案例支撑。     

基于多方向振动数据的风机齿轮箱故障智能诊断

风机齿轮箱作为风机的关键传递结构,针对其关键部件的故障诊断,提出了一种基于极点对称模态分解算法（ESMD）、Mobile Net V2神经网络和D-S证据理论的诊断方法。首先将3个方向的复杂的故障信号进行ESMD分解与重构,将3个方向重构后的信号输入到Mobile Net V2网络中进行训练,最后利用D-S证据理论进行融合计算并得到最终的预测结果。使用某公司搭建的风机齿轮箱实验平台数据,最终通过实验表明,文中所提出的诊断方法有效,在准确率可以接受的前提下,极大地减少了运算的时间,实现了轻量化。     

利用神经网络对齿轮箱进行故障诊断的实例分析

以JZQ250型号齿轮箱为实验对象,根据实际状况下齿轮箱的故障机理和振动特点,设计了状态监测与故障诊断实验方案,采集了齿轮箱振动信号,应用MATLAB软件中自带的神经网络工具箱,编程实现了神经网络预测模型.仿真和实验证明,此模型能够有效地检测出齿轮箱的典型故障,可以用于齿轮箱的故障诊断.