小波分析在往复压缩机故障诊断中的应用

由于往复压缩机的振动特性比较复杂，振动信号是非平稳信号，而小波分析非常适合分析非平稳信号。阐述了小波分析的基本原理，并应用多分辨率分析和小波包分析对往复压缩机故障振动信号进行处理，取得了很好的效果。     

分维数结合多分辨分析诊断压缩机轴的运行状况

针对透平压缩机异常运行时轴的振动情况,采用分维数结合双正交小波的多分 辨分析的方法,对轴的振动信号进行处理,为判别不同的故障类型,实现对轴的运行 状态的监测与故障诊断提供了一种可靠的途径。     

基于小波包分析的往复式压缩机故障诊断

往复式压缩机的机械系统激励源多,因而所测的振动信号包含各种成分和干扰,属于典型的非平稳振动信号。本文将小波包应用于该种振动信号的分析诊断中,通过对往复式压缩机气阀振动信号能量特征的提取和图谱的分析,证实了小波包在其故障诊断中的有效性和适用性,为往复式压缩机故障诊断的研究提供了一种有效的方法。     

基于非线性复杂测度的往复压缩机故障诊断

往复压缩机以多源非线性冲击振动信号为主,应用传统方法难以从振动信号中提取故障特征,为此提出一种基于非线性复杂测度的往复压缩机故障诊断方法。以气阀正常、阀片有缺口、阀片断裂及弹簧损坏4种状态下往复压缩机气阀振动信号为分析数据,在小波阈值降噪处理的基础上,采用均值符号化方法计算信号的归一化Lempel-Ziv复杂度(Lempel-Zivcomplexity,LZC)指标,分别给出各状态相应的LZC特征区间,利用BP人工神经网络对各状态信号的有效值特征、功率谱能量特征及LZC特征分别进行训练和测试,结果表明LZC更能准确区分不同状态的往复压缩机气阀故障,为往复压缩机故障诊断和维修决策提供了一种有效方法。     

基于AO-VMD的往复压缩机故障特征提取方法

采用原始VMD方法对往复压缩机故障进行诊断时,往复压缩机易损部件的振动信号存在非平稳、非线性这一问题,为此,提出了一种使用天鹰算法(AO),以各分量样本熵的最小值作为适应度函数,对变分模态分解(VMD)进行优化分解的往复压缩机故障特征提取方法。首先,对往复压缩机滑动轴承的故障进行了分析,对其不同状态下的振动信号进行了分析处理;然后,先使用小波消噪对振动信号进行了消噪处理,再分别使用原始VMD和AO-VMD新型分解方法对其进行了处理,并得到了BLIMF分量;最后,计算两种分解方法中各分量的多尺度样本熵(MSE)值,对不同状态的多尺度样本熵值进行了对比分析,从而实现了对往复压缩机各类故障的诊断。研究结果表明：AO-VMD方法利用AO强大的快速搜索和开发能力后,故障分类性能明显优于原始VMD分解方法,各类故障信号多尺度样本熵值区分明显;其省时方面效果显著,基于遗传算法优化VMD方法分解耗时427 s,而AO-VMD方法仅需165 s,满足故障诊断分解方法要求。     

小波基最优化在齿轮箱振动信号中的应用分析

为了提高齿轮箱低频振动信号准确表征其运行状态和高频振动信号表征故障特征的效果,通过对小波原理及小波基优化理论进行分析,选取适用于处理齿轮箱振动信号的小波基进行小波变换,将均方根误差及信噪比作为除噪性能的评价标准,获取最优小波基。基于小波变换对振动信号多层分解的特性,将最优小波基运用其中,分别重构出近似齿轮箱运动状态的低频信号,以及能够表征故障细节特征的高频信号。实验结果表明:最优小波基的应用有利于提高齿轮箱低频信号表征其运行状态频率的准确率和高频信号细节特征提取的效果,为工程实际中齿轮箱的故障诊断提供了理论基础。     

往复压缩机多重分形故障特征提取

实现了基于多重分形的往复压缩机振动信号的故障特征提取。针对往复压缩机振动信号的非线性和非平稳性,使用多重分形谱和广义维数对压缩机振动信号进行分析,从中提取可识别的故障特征。分析结果发现多重分形谱中的△α值和广义维数Dq作为故障特征能够很好地反映往复压缩机的工作状态,为往复压缩机的故障特征识别提供了必要依据。     

基于小波变换的往复式压缩机故障诊断系统

首先介绍了小波分析的理论方法,并把小波分析方法应用在压缩机监测信号处理中,根据压缩机的故障特征,研制了往复式压缩机故障监测与诊断系统,根据Ｍａｌｌａｔ快速算法实现信号的多尺度分解,能获得信号的局部特征,系统还具有多种信号处理功能,将小波分析和Ｆｏｕｒｉｅｒ分析相结合,为机器的故障诊断提供了一种有效的工具。     

基于VMD和改进多尺度熵的往复压缩机气阀故障诊断方法

针对往复压缩机气阀振动信号具有非平稳性、非线性和多分量耦合特性,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和改进多尺度熵的往复压缩机气阀故障诊断方法。利用VMD方法分解振动信号,并根据互相关系数法选取主要模态分量进行信号重构,可有效的消除噪声干扰;应用改进多尺度熵对重构信号进行量化分析,获得各振动信号的特征向量,并以极限学习机(Extreme Learning Machine,ELM)为故障分类器对往复压缩机气阀的4种状态实测信号进行分类识别。研究结果表明:该方法能够比较准确地提取出往复压缩机气阀故障信息,可实现往复压缩机气阀故障的正确识别。     

基于信息熵的涡旋压缩机故障诊断研究

为了定量描述涡旋压缩机运行状态,在状态特征提取的基础上,从振动信号分析的思路出发,结合信息论中熵和灰关联度的理论,建立了一种基于时域的奇异谱熵、频域的功率谱熵、时-频域小波能量谱熵和小波空间特征谱熵的故障诊断方法,并作为综合评价涡旋压缩机振动状态的定量特征指标,可实现对涡旋压缩机几种故障的较好识别,证明了该故障诊断方法的有效性。     

基于工业物联网架构的压缩机远程在线监测与故障诊断平台

撬装式往复压缩机是页岩气开采的关键设备,状态监测和故障诊断系统是设备安全运行的重要保障.撬装式往复压缩机结构复杂,其状态有关的工况数据量大且关系复杂,而且实现状态监测需要配置有一定数量的振动传感器,建立以状态监测和故障诊断为基础的高效稳定的监测平台非常重要.本文介绍了基于物联网架构的压缩机远程在线监测与故障诊断平台,论...     

裂解气压缩机振动故障诊断分析

针对裂解气压缩机出现的振动异常情况。采用ENTRX在线监测系统，对其振动信号进行采集和处理，并由其频谱特性、相位特性以及轴心轨迹进行相应的故障诊断，初步实现设备的预测维修，以保证压缩机安全、可靠地工作。     

基于振动信号的变频涡旋压缩机故障诊断

设计开发了变频涡旋压缩机振动测试系统,该系统在LabVIEW软件平台上对变频涡旋压缩机振动信号进行采集和分析,可以实现涡旋压缩机变频控制、振动信号采集、数据读写和振动信号分析等功能。利用倒频谱法和互相关函数理论进行了振动信号实时分析和故障诊断,确定了振源,并提出相应减振措施,为涡旋流体机械的故障诊断及性能提高提供了方法和依据。     

基于模糊神经网络的高阶频段振动信号故障诊断研究

将模糊神经网络技术应用于机械故障高阶频率振动信号的研究,参考齿轮和转子故障模式并结合专家经验建立了螺杆压缩机转子故障诊断专家系统知识库,利用振动频谱特征就螺杆压缩机的几种故障模式结合一种模糊神经网络故障诊断模型进行了模糊神经网络识别。算例诊断结果为压缩机阴阳转子型线加工误差,与试验结果一致。     

往复式压缩机气阀故障分析与诊断

本文以实验压缩机为例,实测在正常情况下和故障情况下压缩机气阀的振动信号,运用小波包理论分析气阀不同位置的故障,对气阀故障的种类和特点进行了分析和探索,为小型压缩机气阀故障诊断和预判提供了一种新的方法。     

Fault degradation assessment of water hydraulic motor by impulse vibration signal with Wavelet Packet Analysis and Kolmogorov–Smirnov Test

The machinery fault diagnosis is important for improving reliability and performance of systems. Many methods such as Time Synchronous Average (TSA), Fast Fourier Transform (FFT)-based spectrum analysis and short-time Fourier transform (STFT) have been applied in fault diagnosis and condition monitoring of mechanical system. The above methods analyze the signal in frequency domain with low resolution, which is not suitable for non-stationary vibration signal. The Kolmogorov–Smirnov (KS) test is a simple and precise technique in vibration signal analysis for machinery fault diagnosis. It has limited use and advantage to analyze the vibration signal with higher noise directly.In this paper, a new method for the fault degradation assessment of the water hydraulic motor is proposed based on Wavelet Packet Analysis (WPA) and KS test to analyze the impulsive energy of the vibration signal, which is used to detect the piston condition of water hydraulic motor. WPA is used to analyze the impulsive vibration signal from the casing of the water hydraulic motor to obtain the impulsive energy. The impulsive energy of the vibration signal can be obtained by the multi-decomposition based on Wavelet Packet Transform (WPT) and used as feature values to assess the fault degradation of the pistons. The kurtosis of the impulsive energy in the reconstructed signal from the Wavelet Packet coefficients is used to extract the feature values of the impulse energy by calculating the coefficients of the WPT multi-decomposition. The KS test is used to compare the kurtosis of the impulse energy of the vibration signal statistically under the different piston conditions. The results show the applicability and effectiveness of the proposed method to assess the fault degradation of the pistons in the water hydraulic motor.     

往复式压缩机气缸压力模拟曲线提取

提出了一种基于振动信号分析的往复式压缩机故障诊断方法.应用频域能量准则判定汽缸压力变化引起的振动响应信号所处频带,构造梳状滤波器提取出响应信号,对得到的相应信号进行包络分析,得到的包络曲线体现了气缸压力的变化趋势,可应用该曲线绘制模拟示功图对往复式压缩机故障进行诊断.对工程信号的分析表明,该方法不仅可以区分出压缩机正常与故障状态,还可以区分出不同的故障类型,具有较好的工程应用价值.     

SIGNAL FEATURE EXTRACTION BASED UPON INDEPENDENT COMPONENT ANALYSIS AND WAVELET TRANSFORM

It is an important precondition for machine fault diagnosis that vibration signal can be extracted effectively. Based on the characteristic of noise interfused during the course of sampling vibration signal, independent component analysis (ICA) method is combined with wavelet to de-noise. Firstly, The sampled signal can be separated with ICA, then the function of frequency band chosen with multi-resolution wavelet transform can be used to judge whether the stochastic disturbance singular signal is interfused. By these ways, the vibration signals can be extracted effectively, which provides favorable condition for subsequent feature detection of vibration signal and fault diagnosis.