现代科技条件下机械故障诊断技术的发展

在工业生产中,随着对机械设备的安全性、可靠性的要求愈来愈高,机械故障诊断技术的应用前景也更加广阔.文章通过讨论机械设备状态监测及故障诊断技术的研究现状和存在问题,分析了现代科技条件下机械故障诊断技术的发展趋势和途径.     

旋转机械故障诊断技术现状思考

工业是我国第二产业的重要组成部分,是推动我国社会经济发展的中坚力量.在现代工业技术不断发展的过程中,更多的旋转机械在企业生产和发展中得到了广泛应用,对旋转机械故障诊断技术的分析和研究也在不断跟进.本次研究首先介绍旋转机械故障诊断技术的主要内容,再对故障诊断技术的研究和应用现状进行系统化分析,最后,探讨旋转机械故障诊断技术的发展新方向.     

全矢谱技术在WTDS实验台故障诊断中的应用

针对如何准确地诊断风力发电机齿轮箱故障的问题,从全矢谱技术理论分析着手,在处理风力涡轮机动力传动故障诊断综合实验台实验数据的过程中,全面介绍全矢谱技术的应用方法.实验结果表明,基于同源信息融合的全矢谱技术在风力涡轮机动力传动故障诊断综合实验台上,能正确地找到预设的故障位置,并准确地判断出故障性质.     

便携式旋转机械故障数据采集系统

详细介绍了便携式旋转机械故障数据采集系统设计.硬件系统中振动信号调理电路的设计是难点,软件系统采用Labview编写.该系统在黄埔电厂12.5万kW汽轮发电机组的故障诊断中得到了很好的应用.     

风力发电机组振动故障及信号分析技术综述

以双馈型风力发电机组为基础,从风力发电机组的分类与构成出发,介绍了风力发电机组的主要结构以及风能转化为电能的基本流程。同时以双馈型风力发电机组塔筒和机舱的振动、轴承的振动和齿轮箱的振动为重点,分析了双馈型风力发电机组的主要振动故障及特征。最后以包络谱分析技术为主,阐述了风力发电机组振动信号的分析处理技术的特点,并结合实例展现出其实际应用效果。     

风力机状态监测与故障诊断技术研究

风力发电机在恶劣的自然环境下工作,极易出现故障.利用状态监测与故障诊断系统可以对其运行状态进行实时监控,并对可能出现的故障进行诊断.回顾了状态监测与故障诊断技术的历史与现状,介绍了状态监测与故障诊断系统的基本结构.对风力机常用状态监测技术及主要测量参数进行了分析研究,并分析了风力机部件的常见故障,研究了部件的故障机理.最后,分析研究了适合于风力机的多种故障诊断方法.     

基于卷积神经网络的风电机组轴承机械故障智能诊断方法

在风力发电机组运行中轴承机械故障发生概率较高,而传统诊断依靠人工专家来进行故障特征识别,难以实现风电机组自动化故障检测和智能运维。基于振动信号检测、信号变换、卷积神经网络识别的轴承故障智能诊断思路,设计了具有三对卷积-池化层和两层全连接层的深度卷积神经网络模型和诊断算法。基于公开数据集对所提出方法进行了实验验证,并对基于振动信号经过振动灰度图、短时傅里叶变换时频图和连续小波变换时频图三种不同信号变换方式对诊断模型准确率的影响进行了比较和分析。实验结果证明所提出轴承机械故障智能诊断方法的有效性,为风电机组机械故障诊断和智能化运维提供了新的思路。     

无线传感网络在风机齿轮箱状态监测中的应用

针对已有风力发电机组在线监测系统布线复杂、工程成本高的问题,设计了传感器节点、风机齿轮箱局域网控制节点和地面控制中心组成的风力发电机组齿轮箱在线状态监测系统,应用无线传感网络ZigBee技术,实现了对风力发电机组齿轮箱温度、加速度的在线采集和数据传送,从而省去了传感器与上位机之间的大量布线,大大减少了工程成本,对风力发电机组在线监测的广泛应用奠定了技术基础。     

旋转机械故障神经网络诊断征兆表的建立

旋转机械是国民经济建设中不可缺少的关键设备,对其故障诊断方法的研究具有重要意义。当前旋转机械故障诊断的关键就是寻找使诊断结果准确的方法,进行设备故障诊断的前提是对旋转机械故障机理有比较明确的认识。简述了旋转机械故障诊断的特征提取的重要性,说明了应用神经网络进行诊断时建立故障征兆表的意义;分析了松动故障和摩擦故障的机理,提出了与松动故障有关的“共生故障”的概念;在此基础上建立了适合于透平压缩机组和汽轮机等旋转机械故障诊断的征兆表。用此表结合神经网络和演化算法进行诊断,开发了一个通用型智能旋转机械故障诊断系统。     

神经网络技术在设备故障诊断中的应用进展

概述了国内外设备故障诊断的发展状况、神经网络在设备故障诊断的发展状况．对于复杂的故障，单一的神经网络诊断很难得出准确结果，考虑到旋转机械故障的复杂性，因而将集成神经网络应用于机械故障诊断中．考虑到设备故障的复杂性，利用集成神经网络对旋转机械故障进行诊断并对集成神经网络在设备故障诊断中的应用进行了预测．     

基于LabVIEW的风电机组滚动轴承故障诊断系统及其仿真

在LahVIEW8．5环境下实现了基于特征参数和希尔伯特包络谱分析的故障诊断方法,开发了风电机组滚动轴承故障诊断系统．故障诊断实验结果表明,该系统能够有效、快速、准确地对滚动轴承内圈、外圈、滚动体故障进行识别并报警．     

海上风电机组的在线监测与故障预警

从海上风电机组的故障诊断与状态监测技术出发,对故障进行了统计,给出了状态监测的主要参数,从中选取温度参数作为分析对象.通过温度时序图分析,分为正常运行、故障形成、即将发生故障3种状态进行监测,采用神经网络与遗传算法相结合的方法进行了故障诊断.结果表明,通过温度变化可以预知风电机组即将发生故障,便于及时预警并采取预防措施.     

基于范例推理的机械故障诊断方法与系统

故障诊断需要考虑许多因素,需要设备过去的运行数据和故障诊断记录及经验。本文提出基于范例推理的故障诊断方法,介绍了这种诊断方法的机理。在这种诊断方法的基础上设计了饱和汽车转子故障的诊断系统ＣＢＲＲＦＤＳ。     

基于层次化混合分类器的含未知故障风机轴承故障诊断方法

为提高风机轴承故障诊断精度,针对含未知类型故障信号的误识别问题,提出一种风机轴承故障诊断新方法。首先,将风机轴承振动信号进行经验小波变换（EWT）,对分解得到的固有模态分量（IMF）提取15种时-频域特征,构建特征向量集;然后,通过基尼（Gini）指数评价特征分类能力,构建最优特征集合;最后,采用单类支持向量机（OCSVM）与极限学习机（ELM）组合的层次化混合分类器进行故障诊断。对比单纯采用ELM、SVM分类器,新方法能够更好辨识含未知故障类型的风机轴承故障信号。     

基于小波分形理论的风电轴承故障识别

针对风电轴承振动特征信号易被环境噪声调制污染、信噪比低、具有非线性和不平稳的特点,利用基于小波分形的故障识别方法对此进行了研究.采用小波包分解,利用互信息法和Cao算法分别确定了相空间的延迟时间和嵌入维数,根据不同频带的关联维数变化确定风电轴承的工作状态.该方法不依赖于风力机工作的动力学模型,对整体系统信息状态变化敏感.通过现场实验证明,该方法较好地解决了风电轴承故障难以识别的问题,为更加细致地研究风电轴承振动信号提供了重要参考.     

大型风力机主轴承故障信号提取方法

针对大型风力机主轴承易发生故障且特征信号难以提取的问题和传统盲分离算法计算量大、收敛性较差的缺点,提出了基于粒子群优化的盲源分离算法.算法根据负熵最大化判据,采用粒子群优化算法对盲源分离过程进行优化,且将该算法成功应用于某风场大型风力机主轴承故障信号的提取中.分析结果表明,该算法可有效分离大型风力机主轴承与其他部件的振动信号,与其他算法相比具有分离精度高、可靠性好等优点,对风力机主轴承的故障诊断十分有效.     

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.     

CP神经网络在机械故障模式识别中的应用

机械设备状态监测与故障诊断技术是保证机械设备安全稳定运行的一项重要措施。由于机械设备结构越来越大型化和复杂化 ,依靠人自身的经验和能力难以判断其征兆与故障之间的关系。随着计算机技术在各个领域的应用 ,智能型的自动监测与诊断技术在机械设备中得到了广泛应用。根据几种典型神经网络特点 ,选择了CP神经网络作为机械故障模式识别器。以大型机组典型故障的频率域特征参数作为网络的训练样本 ,对CP网络进行了训练 ,再将实际的一组频率域特征参数输入到模式识别器中 ,对故障类型进行识别。结果表明 ,以CP神经网络构筑的故障模式识别器有很强的非线性映射能力 ,可对机械设备故障模式进行正确分类。