基于信息(火用)空间贴近度的旋转机械故障诊断方法

振动信号的分析往往是针对特定测点在某一瞬间采集的一段波形,因此它是状态的一种表现.这种依靠随机抽取的状态信息来进行故障诊断的方法不能很好地区分各种故障.提出了基于多状态的过程信息来进行诊断的新思路,以信息熵方法为基础,通过定义信息(火用)和信息(火用)空间贴近度的概念,从而提出了一种基于信息炯空间贴近度的旋转机械振动故障诊断新方法.     

基于图像识别技术的旋转机械振动故障诊断方法

目前振动信号的分析主要是针对特定测点在某一瞬间采集的一段振动波形,提取其中的特征量来进行故障诊断,这种基于状态信息的诊断方法对故障类型的辨别能力有限。通过构造基于归一化幅值谱的三维矩阵来刻画旋转机械振动故障的过程变化规律,并引入图像识别技术,在此基础上建立了一种基于归一化幅值谱图识别的旋转机械振动故障诊断方法。并通过该方法对试验台获取的振动故障信号进行分析,计算结果表明该方法是一种有效的故障诊断方法。     

双截面信息融合在故障诊断中的应用

讨论了转子运动和单截面信息融合的相关理论,提出了基于双截面信息融合的旋转机械故障诊断方法,建立了基于双截面融合能量谱的旋转机械常见故障诊断BP神经网络模型。模拟实验结果表明:与基于单截面数据的诊断结果对比,将双截面融合应用于旋转机械常见故障诊断,可有效提高故障诊断的准确率。     

旋转机械碰摩擦故障特性分析

对旋转机械的转子发生部分碰摩时引起的振动特性进行分析，提出了变度分段线性的非线性数学模型，并采用解析和数值分析的方法地此数学模型进行了分析，并进而对数值计算结果进行了快速富里叶变换（ＦＦＴ），所得结论与实验结果相吻合。为旋转机械碰摩故障诊断２提供了一定的理论依据。     

旋转机械碰摩故障特性分析

对旋转机械的转子发生部分碰摩时引起的振动特性进行了分析，提出了变刚度分段线性的非线性数学模型，并采用解析和数值分析的方法对此数学模型进行了分析，并进而对数值计算结果进行了快速富里叶变换（ＦＦＴ），所得结论与实验结果相吻合。为旋转机械碰摩故障诊断提供了一定的理论依据。     

基于Rough Set理论的典型振动故障诊断

在分析旋转机械振动特点和Rough Set理论的基础上,针对传统的频谱分析方法对质量不平衡、动静碰摩、支座松动等3种典型故障识别效率低的缺点,提出了一个基于Rough Set的振动故障诊断模型.该模型根据故障和能量的映射关系,分别在时域、频域、时一频域中定义4种信息熵作为条件属性,推导了3种典型振动的决策规则,实现了对振动信号中不一致信息的处理.通过汽轮发电机组振动实验对上述方法进行了验证.结果表明,该模型能够很好地识别这3种典型故障.     

基于基金会现场总线的振动解析系统的研究

电厂中使用了大量的旋转机械，防止突发事故和减少维护费用，同时尽可能压缩一次性投资，是电厂在这些旋转机械运行中重点关注的几个问题，该文介绍了一种全新的旋转机械在线故障诊断系统，它将整个电厂的振动纳入一个基于FF现场总线的振动解析系统中，采用该系统既可以提高设备运行的可靠性，又减少了设备维护的费用，并且还减少了一次性投资。     

电力旋转机械故障诊断设备分类问题

现场故障诊断的对象通常是动力学特性不明确的旋转机械。为了提高故障诊断正确率,在大量案例分析的基础上,提出一种根据转子质量、设备容量等综合指标进行电力旋转机械分类的方法。以2种多发故障为例,介绍不同类型设备故障振动信号特征和实例。实践证明,采用这种设备分类方法可以实现故障特征的细分,可以明显减少误诊。     

基于模糊神经网络的故障诊断方法的应用

针对大型机组的状态监测与故障诊断问题,为了克服单一故障诊断方法的局限性,对现有的大型设备故障诊断方法作了分析之后,提出一种基于区间值模糊神经网络的诊断方法。该方法根据设备故障诊断的不同阶段,利用基于规则库、区间值模糊集理论、模糊神经网络和模糊模式识别等方法。该方法在某炼油厂重催化机组故障诊断中得到了具体应用。     

基于VC++的旋转机械故障诊断系统的研究

针对中电投东北分公司各汽轮机组远程故障诊断的研究,设计并开发了诊断系统。先从理论上对振动信号的特征参数作了分析,阐述了模糊诊断的理论和应用方法,然后根据各特征参数的计算方法介绍了构建该系统的过程。最后利用该软件分析处理电厂实测数据,包括绘制谱图和故障诊断,取得了良好的效果。     

发动机稳态与非稳态振动信号分析比较

主要探索了在发动机机械故障诊断中采用非稳态信号分析方法进行故障诊断。介绍了定转速非稳态数据采集器测试原理，讨论了短时傅里叶（Fourier）变换的原理与窗函数选择方法。应用它分析了发动机稳态与非稳态加速振动信号并进行了比较。试验与分析结果表明：定转速非稳态数据采集器能准确地测取发动机加速过程中所设定转速的振动信号；采用短时Fourier变换和窄带能量累加方法能有效提取加速振动信号中分析对象的故障特征，具有良好的重复性和稳定性；加速振动的信噪比远比稳态振动大得多。     

基于VMD-CNN的水电机组故障诊断

为提高水电机组故障诊断精度,减少在振动信号特征选取过程中对专业经验的依赖,提出了一种融合变分模态分解和卷积神经网络的故障诊断方法。首先对水电机组振动信号进行变分模态分解得到若干分量,并利用这些分量构造时间图,然后搭建深度卷积神经网络对时间图进行特征提取和故障识别,建立分量和故障状态的映射关系。以实测水电机组轴向振动信号进行应用检验,并采用多组对比试验,结果表明该方法与其他方法相比故障识别准确率更高。研究成果为水电机组智能故障诊断提供了新思路。     

汽轮发电机组振动周期性波动故障原因分析

某电厂大修后开机过程中出现了比较大的振动故障,振动呈现明显的周期性波动现象,停机过程中振动异常增大,严重影响了机组的安全稳定运行。全面介绍了机组振动测试分析结果,深入分析了机组故障原因,指出轴承油档内油垫与轴的摩擦是导致异常振动的根本原因,据此进行了治理,取得了良好效果。     

25MW汽轮发电机组油膜涡动振动诊断研究

分析了目前汽轮发电机组振动故障诊断方法存在的问题,提出了根据机组故障范围、振动频率特征等对非线性油膜涡动故障进行分层次诊断的正向推理振动诊断方法。并以诊断实例说明如何通过正向推理诊断振动故障,提高故障诊断准确率。     

基于优化的VMD融合信息熵和FA_PNN的风电机组齿轮箱故障诊断

针对风电机组齿轮箱在故障信号处理、特征提取和故障诊断存在的问题,提出一种基于优化的变分模态分解(VMD)融合信息熵和萤火虫优化的概率神经网络(FAPNN)的风电机组齿轮箱故障诊断方法。首先利用皮尔逊相关系数法来确定VMD的分解数量和惩罚因子,并利用VMD分解齿轮箱振动信号获取多个固有模态分量,在此基础上融合时域、频域及时频域等信号故障特征熵,最后用FAPNN网络进行故障识别分类,仿真结果验证了所提出算法在风电机组齿轮箱早期故障诊断研究中的有效性和可行性。     

小汽轮机振动故障检测与诊断

某火电厂小汽轮机运行过程中,轴向振动偏大,出现了振动波动的故障.通过对该小汽轮机的振动检测,获取振动趋势图、振动频谱图的振幅和相位等故障特征数据,结合数据分析与振动信号的特征,对故障进行诊断,并取得显著效果.     

基于AR模型和K-L信息量的柴油机气阀机构故障诊断

通过模拟气阀机构的两种常见故障:气阀漏气和气阀间隙异常,采集柴油机缸盖表面的振动信号.提出了柴油机气阀机构的状态监测及故障诊断策略,采用FPE准则和Burg算法建立不同状态时振动信号的AR模型,利用K-L信息量对不同工作状态进行了有效识别.诊断结果表明该方法是可行的,便于实现柴油机气阀机构故障的在线实时监测与诊断.     

燃气轮机转子裂纹故障分析与诊断

振动监测和诊断是及时诊断旋转机械故障的手段之一,其中的频谱分析能有效地诊断出转子裂纹。介绍了某燃气轮机转子裂纹的振动现象、处理过程以及故障诊断。转子裂纹的振动有以下特征:裂纹转子具有刚度不对称的特点,运行中存在二倍频振动,在启停机经过转子临界转速一半时存在二倍频共振峰;随着裂纹的发展,二倍频共振峰值有增大趋势;联轴器瓢偏以及低速盘车时转子晃度也会增大。根据转子的振动特征判断该转子存在裂纹且仍在发展,检查结果验证了故障诊断的正确性,为转子裂纹的故障分析与诊断提供参考。     

基于轴承座振动信号检测的轴系扭振监测方法实验研究

提出了一种基于轴承座垂直方向振动信号检测的轴系扭振监测与诊断的新方法,建立了扭振监测与诊断的理论模型,给出了轴系扭振故障存在与否的诊断准则。实验结果表明:该方法在保证轴系扭振监测实时性的同时,能够准确、有效地判别出冲击载荷下的扭振故障,能够清楚地显示轴系的前两阶扭振固有频率上的振动响应分量,且验证了所提出的扭振故障特征参数在很宽的转速范围具有良好的稳定性。研究结果为汽轮发电机组轴系扭振故障在线监测提供了一种新的有效方法。     

Vibration‐based wind turbine planetary gearbox fault diagnosis using spectral averaging

Planetary gearboxes (PGBs) are widely used in the drivetrain of wind turbines. Any PGB failure could lead to a significant breakdown or major loss of a wind turbine. Therefore, PGB fault diagnosis is very important for reducing the downtime and maintenance cost and improving the safety, reliability, and lifespan of wind turbines. The wind energy industry currently utilizes vibratory analysis as a standard method for PGB condition monitoring and fault diagnosis. Among them, the vibration separation is considered as one of the well‐established vibratory analysis techniques. However, the drawbacks of the vibration separation technique as reported in the literature include the following: potential sun gear fault diagnosis limitation, multiple sensors and large data requirement, and vulnerability to external noise. This paper presents a new method using a single vibration sensor for PGB fault diagnosis using spectral averaging. It combines the techniques of enveloping, Welch's spectral averaging, and data mining‐based fault classifiers. Using the presented approach, vibration fault features for wind turbine PGB are extracted as condition indicators for fault diagnosis and condition indicators are used as inputs to fault classifiers for PGB fault diagnosis. The method is validated on a set of seeded localized faults on all gears: sun gear, planetary gear, and ring gear. The results have shown a promising PGB fault diagnosis performance with the presented method. Copyright © 2015 John Wiley & Sons, Ltd.