基于改进EMD的旋转机械耦合故障诊断方法研究

提出一种基于改进EMD的旋转机械耦合故障诊断方法。该方法结合相似极值延拓和加余弦窗函数运算的优点,解决了延拓部分不精确和加窗函数后使原信号发生改变的问题,提高了EMD方法的运算精度。应用该方法对存在裂纹碰摩故障的转子－轴承系统振动信号进行了特征提取,并进行了故障诊断,与单一故障特性相比,诊断出的振动信号既有裂纹引起的高频成分,也有碰摩引起的低频成分,得到的耦合故障特征证明了该方法的有效性。     

在役石油钻机井架极限承载仿真模型研究

针对在役石油钻机井架的力学特征,建立了基于双重非线性理论的极限承载仿真模型。研究了以在役钻机井架杆件的测试应力为重要指标,与应力有关的设计参数作为修正对象的仿真模型修正理论。对实验室内钻机井架模型进行的极限承载性能实验和仿真预测研究结果表明,井架模型的实际破坏位置与仿真预测结果基本一致,极限承载力误差很小。依据现场动载应变试验,应用该仿真模型分析了在油田上广泛使用的A形和K形石油钻机井架的极限承载性能,得到了井架结构的极限承载力、载荷与应力的关系以及井架破坏形式和危险部位,为钻机井架的安全平稳运行提供了重要的参考依据。     

基于模型局部修正的井架钢结构极限承载力分析

提出以井架钢结构主要承载杆件测试应力为指标、与应力有关设计参数作为修正对象的模型局部修正理论进行井架钢结构极限承载力分析的新方法。对实验室井架钢结构模型进行多级动载再现实验,通过仿真模拟实现了多级动载应力的拟合,误差在5%以内,验证了模型局部修正理论的正确可行性;以该理论为基础,现场逐级载荷实验数据为依据,建立了真实体现实际井架钢结构力学行为的仿真计算模型,运用线性屈曲法、几何非线性法和双重非线性法,对现场某型号在用井架钢结构进行了实际极限承载力预测,得出了该井架钢结构的极限承载力、破坏形式及危险部位。     

深井和大位移井套管磨损程度预测

为提高套管柱强度设计准确性,防止磨损失控情况发生,深入分析了套管磨损预测技术。结合定向井钻柱力学研究成果,考虑钻柱刚度和屈曲的影响,推导了深井和大位移井的钻柱拉力-扭矩方程,建立了基于能量原理的套管磨损程度预测模型,并编制了预测软件。该预测软件可以预测包括钻进、起下钻具等作业过程的,不同套管柱层次、钻具组合、井眼轨迹、钻井液类型和钻井参数等情况的全井段不同井深所对应的套管磨损量。实例计算结果表明,编制的预测软件减小了人为的估计误差,预测值更为准确可靠。研究成果为深井和大位移井安全高效钻进提供了新的技术支持。      

钻探用井架承载能力试验与安全评定

提出了基于测试应力的钻探用井架安全承载能力评定方法。以井架现场试验时杆件的工作应力为综合评定井架结构承载性能的重要指标,以与应力有关的设计参数为有限元模型输入参数的修正对象,将现场测试与有限元数值模型相结合,通过修正的有限元模型,分析了在各种载荷作用下在役井架的工作性能,应用国际上通用的API Spec 4F标准进行了安全评定。对某型号钻探井架进行了逐级加载试验,通过井架第一级载荷作用下模型的模拟与修正,复现、预测了其它八级载荷作用下的井架工作性能,预测结果误差不超过5%,验证了模型修正方法的正确性。     

钻机井架安全承载能力评定方法研究

钻井是石油天然气勘探与开发的一个重要环节，钻机井架作为钻井设备的关键部分，其承载性能直接关系到整套钻机系统的安全运行。为了准确评定出钻机井架的安全承载能力，提出了以测试应力为基准定量评定含损伤缺陷钻机井架安全承载能力的新方法。首先建立了以测试应力为基准的参考应力修正数学模型，其次推导出以截面锈蚀、杆件初弯曲、载荷偏心等主要损伤缺陷指标所确定的修正函数，得到真实反映含损伤缺陷钻机井架力学行为的数值修正模型，实现对安全承载能力的预测。对现场某型号钻机井架进行逐级加载试验，得到了载荷与应力的关系曲线；结合现场钻机井架实际的损伤缺陷状况修正数值模型，并进行了数值仿真模拟加载试验，实测值与仿真值误差在5%以内，验证了该数值模型的准确性。最后根据仿真预测结果对该井架安全承载性能进行了评定，为提高油气勘探开发过程中钻机系统的安全运行提供了参考。     

基于AMD的经验模态分解含间断信号模态混叠消除方法

针对在经验模态分解筛选过程中间断信号引起的模态混叠问题,提出了一种基于解析模态分解的经验模态分解模态混叠消除新方法。利用第1个固有模态函数的瞬时频率特性得到其频率成分及二分频率,且能实现对间断信号的定位,然后再采用解析模态分解方法分离出间断信号,再对处理后的信号进行经验模态分解,从而消除该间断信号的影响。仿真分析和工程应用的结果表明,该方法能有效消除间断信号在经验模态分解过程中引起的模态混叠现象。     

基于HVD小波包降噪编码深度学习的风电机组智能诊断研究

针对风机齿轮箱轴承振动信号非线性非平稳性对故障诊断的干扰问题,提出一种基于降噪编码器深度特征学习和希尔伯特振动分解(hilbert vibration decomposition, HVD)的智能故障诊断方法。引入峭度评估指标,对HVD分量进行模态选择,并以小波包提取分量能量熵构造特征向量,实现数据预处理。构建层叠降噪编码器(stacked denoising autoencoder, SDAE)模型完成信号的特征学习和故障分类。采用两个轴承数据集进行算法验证,试验结果表明,提出的基于HVD小波包降噪编码方法(HWSDAE)能高效地识别故障信号,具有突出的故障诊断性能,单次最高诊断准确率高达100%,平均诊断准确率可达99.49%,相比未经预处理的轴承数据输入SDAE模型提高了13.52%的故障诊断精度。     

基于解析模态分解的机械故障诊断方法

针对旋转机械故障诊断问题,提出了一种基于解析模态分解(AMD)的旋转机械故障诊断方法。只要知道信号的频率成分,AMD方法就可以将含不同频率成分的信号分解为单频率信号,尤其能够分解有紧密间隔频率成分的信号。对于可预知故障特征频率的旋转机械的故障诊断,可利用AMD方法提取机械振动信号中故障特征频率所在频段的信号,并求该段信号的频谱,若频谱中含有故障特征频率,则说明机械振动信号中存在该故障。通过对滚动轴承故障信号和转子不对中故障信号的分析以及和经验模态分解(EMD)方法的对比,证明了AMD方法的有效性,且AMD方法比EMD方法更快速、准确。