基于递归理论的泵站压力管道运行状态监测

针对不利因素导致的管道运行异常问题,提出一种基于递归理论的泵站管道运行状态监测方法。首先,通过振动传感器提取压力管道关键部位的实测信息,并将同一位置不同方向的数据信息进行融合,得到一组反映结构整体动力特性的综合数据;其次,利用伪近临法与互信息法分别选取相空间重构参数m和τ;最后,绘制并计算代表管道动力特性的递归图及递归量化指标。将该方法应用于景泰川工程二期七泵站管道运行监测,通过设置不同的运行工况进行验证,结果表明：机组开关瞬间与稳定运行工况下,管道结构振动信号的递归图呈现不同模式,递归量化指标-确定性、对角线平均长度L、递归率及递归熵也呈现明显差异,能有效区分管道振动状态。该方法为压力管道的无损动态监测提供了新思路。     

基于递归理论的泵站压力管道运行状态监测

针对不利因素导致的管道运行异常问题,提出一种基于递归理论的泵站管道运行状态监测方法。首先,通过振动传感器提取压力管道关键部位的实测信息,并将同一位置不同方向的数据信息进行融合,得到一组反映结构整体动力特性的综合数据;其次,利用伪近临法与互信息法分别选取相空间重构参数m和τ;最后,绘制并计算代表管道动力特性的递归图及递归量化指标。将该方法应用于景泰川工程二期七泵站管道运行监测,通过设置不同的运行工况进行验证,结果表明:机组开关瞬间与稳定运行工况下,管道结构振动信号的递归图呈现不同模式,递归量化指标-确定性、对角线平均长度L、递归率及递归熵也呈现明显差异,能有效区分管道振动状态。该方法为压力管道的无损动态监测提供了新思路。     

基于粒子滤波的电力机械设备状态在线监测

为提升电力机械设备状态在线监测的效果，提出基于粒子滤波的电力机械设备状态在线监测方法。通过人工萤火虫群算法改进粒子滤波算法后，借助随机子空间算法构建改进粒子滤波算法所需状态方程。利用该状态方程获取电力机械设备正状态观测矩阵和输出矩阵数值，并将其看作模态参数，依据该模态参数计算粒子滤波状态序列和电力机械设备振动状态变量数值后，构建粒子滤波器，使用该滤波器去除电力机械设备振动信号内干扰噪声后，对电力机械设备振动信号实施归一化处理，得到粒子权重概率和改进粒子滤波监测数值。通过设置振动信号监测步长和阈值，计算监测信号与采集信号差值，使其与所设阈值进行对比，获取电力机械设备状态在线监测结果。实验结果表明，该方法监测的电力机械设备信号最大偏差数值仅为0.003 dB,具备较好的信号跟踪能力，且具备较好电力机械设备振动监测能力。     

一种振测数据最佳分析长度的确定方法

数据分析长度的选取是提取结构振动特征信息的关键，人为选取信号分析的数据长度会导致其计算结果存在一定误差，为减少主观因素影响，提出一种基于改进多尺度排列熵（improved multi?scale permutation entropy，简称IMPE）的振测数据分析长度的方法。对于获得的振动信号，将一维的时间序列数据多尺度化后进行粗粒化处理，确定其相空间重构参数。选取不同长度的振测数据，分别计算多尺度排列熵（multi?scale permutation entropy， 简称MPE）熵值，发现熵值对数据长度的变化敏感，随着数据长度的增加而变化，最后趋于稳定值。定义该稳定值为标准熵值，满足标准熵值97%精度的熵值作为有效熵值，选出满足精度要求的熵值，将其所对应的最短数据长度定义为振测数据的最佳分析长度。将该方法应用于仿真信号和具体泄流工程振动信号的最佳数据长度选取中，可为结构监测选取准确的数据分析长度，有较好的普适性。     

排列熵算法在水工结构损伤诊断中的应用

提出一种基于排列熵算法(permutation entropy,简称PE)的水工结构损伤诊断方法。首先,运用小波阈值-经验模态分解(empirical mode decomposition,简称EMD)降噪方法对原始信号进行降噪,减小环境噪声对结构损伤特征信息的干扰,提高信号的信噪比;其次,运用排列熵算法检测降噪后信号的复杂度,并计算其排列熵值。通过不同工况下信号熵值变化规律的对比,实现水工结构损伤的诊断。将该方法应用于泄流激励下悬臂梁模型的试验研究,结果表明,正常无损状态下结构振动信号的排列熵值最大;结构发生损伤时,其熵值降低,且损伤程度越大,熵值越小;排列熵对结构的初期损伤比较敏感;结构未发生损伤时,不同工况下的排列熵基本不变,说明排列熵能够有效确定结构的损伤,且具有较高的诊断精度。     

基于多尺度排列熵的复合行星齿轮故障诊断研究

针对行星齿轮传动系统复合故障特征提取问题,以行星齿轮箱的运行状态为研究背景,建立了考虑路面随机激励下的行星齿轮箱复合故障动力学模型,利用多尺度排列熵对齿轮箱正常、断齿故障和复合故障时的振动信号进行了对比分析,通过对处于不同状态的行星齿轮箱进行分析,发现行星齿轮箱正常振动信号的多尺度排列熵值要高于单一断齿和复合断齿故障信号,熵值平均高出约5.3%,单一断齿的多尺度排列熵高于复合断齿故障信号,熵值平均高出约7.4%。研究结果证明,多尺度排列熵可以有效地诊断多排行星齿轮系统的故障类型。     

基于尖点突变理论和MWMPE的围岩稳定监测

为实时监测水电站地下厂房围岩运行情况,提出一种尖点突变理论和多通道加权多尺度排列熵（multi?channel weighted multi?scale permutation entropy,简称MWMPE）相结合的监测方法。首先,结合某电站地下厂房围岩变形监测数据,将不同时间段日平均位移作为一系列特解,反演得到非线性动力模型;其次,采用尖点突变理论,建立围岩变形速率尖点突变模型,提出围岩稳定判据;然后,运用MWMPE的方法,对不同测点的变形监测信息进行动态融合,提取围岩变形特征值,确定围岩安全范围;最后,通过对比融合后熵值的变化,与传统多尺度排列熵（multi?scale permutation entropy,简称MPE）方法作比较,提出一种新的稳定预警线,对围岩进行在线安全监测、预警。结果表明：该方法能够有效提取地下厂房围岩变形特征值,并根据实时MWMPE值对围岩进行在线安全监测,为地下厂房等结构的围岩维持安全稳定提供了新的思路。     

基于多维度排列熵与支持向量机的轴承早期故障诊断方法

针对许多现有方法无法有效诊断滚动轴承早期故障的问题,引入排列熵的方法对轴承振动信号进行早期故障分析。通过研究嵌入维数和延迟时间对信号排列熵的影响,提出多维度排列熵的特征提取方法。利用多维度排列熵方法所提取的特征,建立了基于支持向量机的轴承早期故障智能诊断模型。对轴承不同类型、不同程度的故障数据进行分析,证明了多维度排列熵方法可以有效提取轴承不同状态的特征信息,与支持向量机结合的智能诊断模型可以精确地诊断轴承不同类型的早期故障,具有很强的通用性;该模型在贫样本的情况下,依然具有很高的诊断精度,适用于滚动轴承早期故障状态的在线监测。     

基于改进符号序列熵的岸桥齿轮箱退化特征提取研究

针对岸桥齿轮箱工况特殊,退化趋势难以跟踪的问题,对符号序列熵算法、振动能量谱统计特性、威布尔分布理论进行了研究。改进了符号化方法,采用正常状态下的能量谱有效值作为阈值,降低了信号中的随机波动对原符号序列熵算法的影响,提出了一种基于改进符号序列熵与滑动窗威布尔拟合的退化特征提取方法;利用上海港某码头在线监测的起升机构齿轮箱全寿命数据进行了测试。研究结果表明:改进的符号序列熵能够描述振动能量谱的复杂度大小,所提出的退化特征参数能够稳定地反映岸桥齿轮箱的性能退化趋势,退化程度越深,退化特征参数取值越大;并且具有平稳、准确的优点。     

大型泵站机组振动监测与故障诊断研究

随着南水北调工程的开工，大型泵站机组运行的安全可靠性更加凸显其重要性。针对大型泵站机组的特点，介绍水泵机组的振动状态监测和故障诊断。对测点的选择和布置、信号的处理分析和专家诊断系统作一研究探讨，为大型泵站从计划检修向状态检修提供一技术对策。     

基于电信号的改进VMD和DBN-DNN液压齿轮泵轮齿故障监测方法研究

液压系统电机电信号中包含丰富的系统运行状态信息,如何准确对电信号中的运行信息进行提取和分类是实现液压系统状态监测的关键。电机电流信号中蕴含的液压齿轮泵早期故障特征微弱,提取困难,用传统时频分析方法难以实现故障特征分离。本文提出基于相关系数和人工蜂群算法(Artificial bee colony,ABC)实现了对变分模态分解(Variational mode decomposition,VMD)参数的优化,同时以信号相关系数和峭度值最大为选取原则,确定有效的本征模态函数(Intrinsic mode function,IMF),并将IMF有效分量的排列熵和均方根值作为高维特征向量输入深度信念网络(Deep belief network,DBN-DNN),实现了对齿轮泵运行状态进行监测。结果表明,该方法能准确稳定地提取电流信号中携带的齿轮泵故障的微弱特征,进行齿轮泵运行状态监测,提高了齿轮故障诊断的准确性。     

ARMA模型在输油泵振动特征值趋势预测中的研究

输油泵机组作为管道输油系统的主要设备,其运行状态影响着油田正常的生产。传统的针对泵机组的“预防为主,计划检修”检修模式由于缺乏实时性、灵活性,已无法满足设备安全稳定运行的要求。基于这种缺陷,通过“预测性维修”的方式实时掌握输油泵组运行状态趋势能够及时察觉设备故障,为企业计划性备品备件、提高生产效率、确保生产安全提供有力保障。因此,本文提出了一种基于ARMA模型的输油泵振动特征值趋势预测方案。通过对某输油站车间输油泵进行在线监测,得到测点振动信号特征值的历史数据。使用历史时间数据进行建模,进行当前时间数据预测。通过实际数据与预测数据对比,发现ARMA模型可以较好地拟合输油泵振动信号特征值,满足当下预测趋势的需求。该方案较于其他传统趋势预测方法准确率高、计算迅速、易于理解,填补了输油泵振动信号趋势预测方面的空白。     

农田水利设备中抽水泵机械振动故障检测方法

针对抽水泵机械振动故障检测中存在的检测效果差的问题,提出一种新的农田水利设备中抽水泵机械振动故障检测方法。分析农田水利设备中抽水泵机械振动信号,提取任意时段特征频率,采用小波包多层分解滤除噪声。对不同数组统计和分析,通过多尺度模糊熵提取抽水泵机械振动故障特征;优化选择测点和特征向量,结合最小二乘支持向量机( LSSVM ),采用多层结构进行多次特征学习,区分故障特征,实现抽水泵机械振动故障检测。实验结果表明,采用所提方法可准确提取抽水泵机械振动故障信号,并且能够准确区分正常信号和故障信号,验证了该方法的可行性。     

基于SIE和SVR的液压泵故障定量诊断

为更好地实现液压泵故障定量诊断,对故障定量诊断中的退化特征提取和故障程度诊断方法进行研究。针对排列熵算法的不足,提出空间信息熵(spatial information entropy,简称SIE)的概念,分析了空间信息熵3个参数(时间序列的分区数s、相空间重构的嵌入维数m和延迟时间τ)变化对其性能带来的影响,为其选取提供了依据。仿真分析结果也验证了其作为液压泵退化特征的有效性和优越性。基于空间信息熵算法提取液压泵故障退化特征集,针对退化特征与故障程度之间存在的非线性关系,提出采用果蝇优化算法优化参数的支持向量回归机实现液压泵的故障定量诊断。对实测液压泵振动信号分析结果表明,空间信息熵在表征液压泵故障程度方面具有更好的性能。将果蝇算法优化参数的支持向量回归机用于液压泵的故障定量诊断得到了理想的定量诊断效果,并通过对比分析验证了提出的支持向量回归机模型的有效性和优越性。     

基于多尺度排列熵的液压泵故障识别

将排列熵引入液压泵的故障识别中,分析了排列熵作为液压泵故障特征指标的性能;采用互信息法和伪近邻法优选排列熵计算中的延迟时间和嵌入维数,基于优选参数得到了能够更好区分液压泵故障的排列熵。针对单尺度排列熵只能在单个尺度上衡量振动信号复杂度的不足,在对多尺度排列熵进行研究的基础上提出了一种综合多尺度排列熵熵值和排列熵变化趋势的指标--多尺度排列熵偏均值,对液压泵实测信号的分析结果验证了该指标作为液压泵故障特征的有效性和优越性。     

南水北调江都四站装置模型振动特性的试验研究

为了确保江都四站轴流泵机组的安全稳定运行,采用三个高频振动加速度传感器对装置模型不同工况下的振动信号进行了采集,并运用加速度有效值对测世结果进行了分析.试验结果表明,在轴流泵转轮-4°、-2°、0°、+2°和+4°叶片角下,泵段振动测量位置为x、y、z三个方向的振动强度都随扬程的增高而逐渐增强.在扬程高于7.0m的工况下,振动强度随扬程的变化明显,振动幅度急剧提高.在相同的扬程工况下,三个方向的振动加速度有效值在不同的叶片角下变化幅度较小.在叶片角为-2°、最高扬程为8.8 m时,x、y、z方向的加速度有效值分别为0.574、0.761和0.539m/s~2,装置模型振动较强,但机组没有出现不稳定现象,该结论为江都四站实型机组稳定运行提供了科学依据.     

基于小波分析的离心式注水泵机械振动实时监测方法

为保证注水泵机组安全稳定运行,减少管理人员工作量,提出基于小波分析的离心式注水泵机械振动实时监测方法。探究注水泵作业流程与结构特征,结合多种常见故障类型分析结果,构建水泵输入、输出功率与生产效率的动力学模型;考虑到注水泵特性,以压电加速度传感器作为主要监测设备,明确信号采样要求,通过量化处理将模拟信号变换为数字信号,便于信号分析;当监测信号内低频成分丰富时,确定母小波和变换系数,经伸缩与平移处理完成连续小波变换与反变换;当低频分量不足时,引入小波包理论,分割小波空间,合理分解不同频带的信号,保证监测信息不丢失,获取信号特征,实现机械振动实时监测。仿真实验证明,该方法具有较强的信号处理能力,可通过监测信息准确判断出设备故障类型。     

基于小波相关排列熵的轴承早期故障诊断技术

针对机械系统早期故障诊断困难的问题,引入滤波效果良好的小波相关滤波法(Wavelet transform correlation filter,WTCF)和对信号微弱变化特征敏感的排列熵算法,定义一种新的小波相关排列熵(Wavelet correlation permutation entropy,WCPE)的概念,并提出基于WCPE的特征提取方法。对采集到的设备振动信号进行WTCF处理,得到信噪比较高的各层小波系数,在此基础上计算小波系数的排列熵复杂度,构造信号沿各小波分解层分布的WCPE特征矢量,并据此分析振动信号的微弱变化。通过对滚动轴承全寿命振动数据的分析,证明基于WCPE提取的信号特征不但能够准确表征轴承由正常状态到故障状态的详细变化过程,还能及时检测出轴承的早期故障。对比小波熵及小波相关特征尺度熵等其他早期故障诊断方法,该方法可显著提前滚动轴承早期故障的检出时间。