共查询到18条相似文献,搜索用时 171 毫秒
1.
2.
为快速、精准地确定汽轮机组碰磨故障的原因及位置,提出一种基于机组运行参数相关分析的碰磨故障诊断方法。首先,利用数据预处理方法对汽轮机组的DCS运行数据进行预处理;然后,计算并分析振动参数间、振动与过程参数间的相关性特征,根据相关性特征指标排序法确定碰磨故障原因及发生位置;第三,结合某350MW汽轮机组的碰磨故障实例对所提出的方法进行验证;最后,将诊断结果与皮尔逊相关分析方法诊断结果进行对比分析,结果表明:本文方法可以更好地挖掘出振动参数间、振动与过程参数间的线性、非线性相关性特征,可精准地确定转子碰磨故障原因及位置,能有效指导机组的故障诊断。 相似文献
3.
基于声信号小波分解的转子碰磨故障特征分析 总被引:2,自引:0,他引:2
研究了基于声信号小波分解的转子碰磨故障特征,通过人为条件使转子产生碰磨故障,记录现场信号分析故障特征。转子碰磨信号具有较强的奇异性,而奇异信号往往载有重要的故障信号特征,利用小波分析理论在时域和频域上可同时对信号实现局部化处理的“变焦距”性质,分别对不同试件碰磨故障的声音信号进行了分析,将结果进行了对比,研究了碰磨声信号在小波包变换下的特征。结果表明:声音信号用于旋转机械故障诊断具有其特有的优越性。基于声音信号的小波分解可以识别碰磨故障特征。 相似文献
4.
5.
为提高汽轮机转子故障诊断的准确率和识别效率,提出基于云粒子群优化算法(CPSO)优化支持向量机(SVM)的故障诊断方法。首先利用补充总体平均经验模态分解(CEEMD)对转子振动信号进行分解,利用能量法筛选出更为有效的固有模态分量(IMF)并计算对应的排列熵(PE)作为故障特征值;其次将云理论引入到粒子群优化算法(PSO)中得到CPSO算法,通过CPSO算法优化SVM得到诊断模型。在ZT-3试验台对汽轮机转子常见4种故障(正常状态、转子不平衡、转子不对中和动静碰磨状态)状态进行模拟实验,获取故障数据后进行故障识别研究。研究表明:在相同测试样本的条件下,CPSO-SVM诊断模型的识别准确率为95%,比PSO-SVM诊断模型提高了5%,运行时间为22.055 s,比PSO缩短了14.5 s。研究结果验证了CPSO-SVM算法在汽轮机转子故障诊断方面的优越性。 相似文献
6.
7.
基于小波包分析和信息融合技术的汽轮机转子故障诊断 总被引:1,自引:0,他引:1
根据Bently实验台所采集的不平衡、不对中、碰摩、松动4种典型汽轮机转子振动故障信号,运用小波包分析方法对其进行分析并提取故障特征。将提取的故障特征作为D-S证据理论的识别框架,利用信息融合技术对汽轮机转子振动故障进行诊断。诊断结果表明:基于小波包分析和信息融合技术的故障诊断方法,能提高故障诊断的准确性。 相似文献
8.
9.
10.
11.
12.
13.
14.
为了解决燃气轮机燃烧室中的故障问题,结合深度学习的优势,在长短期记忆网络(Long Short-term Memory, LSTM)的基础上,提出了一种基于卷积神经网络-长短期记忆网络的燃烧室故障预警方法。首先,根据正常的历史运行数据构建燃烧室的预警模型,再将特征参数输入到预警模型中得到预测值,预测值与实际值之间的偏离度可以反映燃烧室内部工作是否正常。考虑到模型预测结果的非平稳性和非线性等特点,引入滑动窗口法确定故障预警阈值,最后根据确定的预警阈值判断是否出现故障。采用某燃气-蒸汽联合循环发电机组仿真平台对上述模型进行验证。仿真结果表明:该模型相较于LSTM预测模型具有更高的精确度,可以及时发现故障征兆,并对燃烧室故障做出有效预警。 相似文献
15.
针对传统的故障诊断方法面对风力发电机组行星齿轮箱振动信号时处理范围有限的问题,提出了一种基于VMD和卷积深度信念网络相结合的智能诊断方法,首先利用VMD对原始信号进行分解,基于峭度准则提取出冲击含量较大的本征模态函数,将特征信息明显的分量融合在一起组成多通道的输入,然后利用卷积深度信念网络进行特征提取,最后将特征输入到分类器中进行故障识别分类。试验结果表明,该方法可准确地对风电机组行星齿轮箱不同的工作状态和故障种类进行识别与分类。 相似文献
16.
为了提高汽轮机转子故障诊断的准确率和识别效率,提出了一种基于CEEMDAN(自适应噪声完备集合经验模态分解)和CBBO(混沌生物地理学优化算法)优化SVM(支持向量机)相结合的故障诊断方法。首先利用CEEMDAN对转子振动信号进行分解,提取PE(排列熵)作为故障特征值,并构造特征向量;其次将混沌理论引入到BBO(生物地理学优化算法)中,得到CBBO,通过CBBO优化SVM得到诊断模型的最优参数。最后通过ZT-3转子试验台模拟汽轮机转子故障,利用得到的4种状态下的试验数据验证优化模型的有效性与先进性。结果表明:CBBO优化SVM模型可以准确、高效地对汽轮机转子进行故障诊断;与CPSO(混沌粒子群算法)优化SVM模型相比,该方法的故障诊断准确率和识别效率更高。 相似文献
17.
针对风力发电机组轴承故障振动信号传递路径复杂多变,且故障信号易受到背景噪声的严重干扰,传统方法对故障特征难以准确提取的问题,提出一种自适应经验小波变换(AEWT)与奇异值分解(SVD)的特征提取方法,并结合核极限学习机(KELM)实现风电机组轴承的故障诊断,该方法同时考虑轴承不同故障类型及不同损伤等级的情况。其中,自适应EWT为两阶段调整过程:基于尺度空间法固有模态函数(IMF)分解-确保EWT分解的有效性、基于相关系数最大的敏感分量提取-实现相关特征最大化和冗余信息的消除。通过相关实验结果可明显发现,所提AEWT的分解效果优于EMD、EEMD、CEEMDAN、LMD等方法。对提取敏感分量利用SVD计算奇异值,构建故障特征向量;最后将特征向量作为KELM的输入,建立KELM轴承状态识别模型。通过西储大学平台轴承振动信号和实际风场采集的轴承振动信号对算法进行验证,结果表明,相比SVM、ELM、KNN等识别模型,该方法能有效识别出不同故障类型及不同损伤等级下的轴承故障,整体识别率达99%。 相似文献