基于LabVIEW的声发射信号小波降噪方法研究

针对电厂汽轮机的滑动轴承碰摩故障,提出了一种有效的故障诊断方法.该方法首先采用声发射传感器来采集轴承的声发射信号,然后通过小波降噪的方法对所提取的信号进行去噪处理,再对处理后的声发射信号进行频谱分析,从而判断轴承的碰摩情况.通过在300MW汽轮机转子模拟试验台上实施碰摩试验并进行分析研究,结果表明：运用上述方法能够准确地预测汽轮机的转子碰摩故障,了解碰摩的严重程度,实现对汽轮机的在线监测,大大提高了机组安全性.     

基于运行参数相关分析的汽轮机组碰磨故障诊断方法及其应用

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。     

基于声信号小波分解的转子碰磨故障特征分析

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。     

用振动信息诊断回转机械的故障——碰磨的分析和实验

本文在综述回转机械故障诊断的原理和有关方法的基础上,讨论转子碰磨故障的机理,对单盘转子碰磨试验作了分析,探讨如何识别碰磨故障。本文还对125MW汽轮机转子的实测结果作了初步分析。     

基于云PSO-SVM的汽轮机转子故障诊断研究

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。     

工业汽轮机故障诊断

本文以一台6MW背压式汽轮机为例,对汽轮机的故障进行了识别诊断。识别诊断采用了模糊数学方法和频谱分析方法,诊断出的主要故障:转子不平衡;不对中;碰磨;轴瓦磨损与机组实际故障情况是相吻合的。     

基于小波包分析和信息融合技术的汽轮机转子故障诊断

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。     

基于小波分形的旋转机械声发射信号的故障诊断研究

碰摩是旋转机械运行中的常见故障,对碰摩故障进行及时预警对于保障机组安全具有重要的意义。提出了一种基于小波变换的分形分析方法进行碰摩识别,将声发射碰摩信号分解成不同的频带,计算其方差,最后得到小波分形维数。在转子实验台上分别测得无碰摩、轻微碰摩和严重碰摩3种状态下的声发射信号并进行分析,计算声发射信号的小波分形维数,然后根据分形维数的变化对碰摩状态进行判别。同时对该方法和传统的G-P算法计算出的分形维数进行比较。实验结果表明,分形方法能有效判别碰摩的发生,该方法较G-P算法对碰摩发生的区分度更好。本方法为旋转机械碰摩故障的诊断提供了一条新的途径。     

基于小波分析的汽轮机碰磨故障诊断

振动故障是故障诊断中的难点,故障原因复杂、类别繁多。小波分析因具有良好的时频局部性及多分辨率分析特性,被广泛地应用在振动故障诊断中。介绍了小波分析方法在振动故障诊断中的应用,利用时频等高图确定汽轮机碰磨故障发生的时刻,借助小波包特征熵向量诊断碰磨故障的严重程度,从而提出了完整的汽轮机碰磨故障的小波分析诊断方法。     

转子碰摩故障的声发射与振动特征分析

通过实验分析比较了不同转速和不同碰摩状态下转子碰摩声发射信号与振动信号的时频特征。实验结果表明,声发射信号比传统的振动信号对碰摩更敏感,所含的信息更丰富,使用声发射技术不仅可以有效地检测碰摩故障的发生,还能判断出碰摩的严重程度,是一种很有发展潜力的转子碰摩故障的检测方法。     

汽轮发电机组动静碰摩的奇异谱理论与小波分析诊断方法研究

作者利用奇异谱对汽轮发电机组转子动碰摩的振动信号进行了分析,剔除信号中因不平衡等邦联所产生的平滑部分、抑制噪声;并运用连续小波变换对信号进行分析。通过多尺度分析形成等高线图,使碰摩故障特征在相应的等高图上得以体现出来。作者还比较了相似频谱特征的两类故障信号的小波变换等高线特征,总结了碰摩故障小波变换等高线分析特征,得到了理想的分析结果,为汽轮发电机组碰摩故障识别提供了新的思路;同时讨论了运用小波变     

转子径向碰摩故障的非线性特征研究

考虑到碰摩转子动静接触时的摩擦力与塑性冲击现象，引入了转子径向碰摩的非线性Goldman-Muzynska模型。运动方程的数值解表明，在2．2倍临界转速以上，转子振动出现明显的分岔和混沌现象，转子升速试验也说明，碰摩故障的典型特征是在较高的转速下出现严格的1／2，1／3等分数倍频，应用上述理论并结合提纯轴心转迹等分析方法，成功 捕捉到一起汽轮机转子的碰摩故障，为今后其它机械设备同类故障的确诊提供了可靠的依据。     

基于优化VMD复合多尺度散布熵及LSTM的风力发电机齿轮箱故障诊断方法研究

以风力发电机齿轮箱加速度信号为研究对象,提出一种数据驱动的风力发电机齿轮箱故障诊断方法,该方法以灰狼优化的变分模态分解方法(AGWO-VMD)、复合多尺度规范化散布熵(NCMDE)及长短期记忆网络(LSTM)为基础,实现齿轮箱故障的快速诊断.首先将时域信号转换至角域;然后通过AGWO-VMD方法对角域信号进行自适应分解...     

基于CNN-LSTM的燃气轮机燃烧室故障预警

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。     

基于VMD和卷积深度信念网络的风电机组行星齿轮箱故障检测

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。     

基于CEEMDAN与CBBO-SVM的汽轮机转子故障诊断研究

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。     

基于AEWT-KELM的风电机组轴承故障诊断策略

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%。     

霍州发电厂2号机100MW机组振动故障治理

霍州电厂2号机系前苏联100MW机组,长期以来该机组高真空下的振动一直很不稳定。大修中对该问题进行了治理,重点检查和调整了排汽缸底部接触情况、油系中心、汽缸膨胀等影响振动的因素,取得了良好效果。大修开机过程中新出现了发电机和汽轮机不稳定振动等故障。对该机组大修前后振动情况和处理方案进行了分析,论述了机组摩擦故障的几种不同现象和诊断方法。