故障诊断技术用于小井眼无油管抽油系统

小井眼无油管空心泵抽油系统的故障诊断专家系统是将人工神经网络与传统专家系统相结合的智能诊断系统, 它可将小井眼无油管空心泵抽油系统的泵示功图进行数字化和规范化处理, 并作为训练样本对人工神经网络进行训练, 建立诊断知识库。用人工神经网络进行故障识别和推理, 解释诊断结果并做出检修决策。     

改进SSA-VMD算法及其在往复压缩机故障诊断中的应用

针对麻雀搜索算法(SSA)在迭代后期种群多样性减少,导致算法易陷入局部极值解的问题,引入t分布变异策略对SSA进行改进,并采用改进的SSA对变分模态分解(VMD)进行参数优化,以得到VMD算法的最优参数组合。将改进的SSA-VMD算法与精细复合多尺度模糊熵(RCMFE)结合,开展往复压缩机轴承间隙故障特征提取研究。结果表明,相比原SSA-VMD算法,改进的SSA-VMD算法在进行RCMFE特征分析时具有更好的可分性,故障识别准确率更高。     

油管外表面气动喷砂两相流场数值模拟

为了确定油管外表面气动喷砂的工艺参数,采用遵循欧拉-拉格朗日方法的离散相颗粒模型,对不同工况条件下的气固两相流场进行数值模拟。首先采用S-A湍流模型对连续相流场进行数值模拟,得到了气相流场的特性;再采用颗粒轨道模型对固体颗粒相流场进行计算;最后,在仿真计算过的气相流场中加入固体颗粒相,求解颗粒的受力情况,得出颗粒轨迹和速度。结果表明：当喷射距离在100mm、粒子直径在0.5～1.0mm之间时,粒子喷射到油管外壁的速度最大,并且能够覆盖外壁全表面,喷砂效果最佳。     

小波包特征免疫检测器在设备异常状态检测中的应用

旋转机械设备工作机理复杂,故障样本缺乏,难以应用传统的方法对其进行有效的异常状态检测.结合小波包分析技术及人工免疫系统理论,构造了小波包特征免疫检测器,给出了小波包特征免疫检测器的产生算法、异常状态检测方法.小波包特征免疫检测器是在对正常样本学习的基础上产生的,不需要设备运行的故障数据,适合对故障数据缺乏的设备进行有效的异常状态检测.活塞压缩机气阀的异常状态检测结果表明,小波包特征免疫检测器检测效果良好、准确率高.     

信息融合技术在电机定子绕组故障诊断中的应用

利用神经网络的信号分离能力,对采集的电流频谱信号进行处理,得到对故障的初级决策;应用互相关分析计算出三相电流不对称度和三相电流的相位差,获得故障的基本概率分配;最后利用信息融合方法,将多种检测信息进行综合处理,提高了故障诊断结果的可靠性。     

2D12往复压缩机故障诊断系统及其应用

通过神经网络对指示图的识别诊断气缸活塞部分的故障,采用能量法对振动信号的分析确诊曲轴箱与十字头总成部分的故障,将两部分融合起来建立了2D12往复压缩机故障诊断系统,并通过实际应用验证了诊断系统对压缩机运行工况进行监测和故障诊断的有效性和实用性.     

DAN网络WBDM管理模型的研究

针对设备域网络DAN(Device Area Network)的网络管理，提出了一个WBDM(Web-based Device Management)管理模型，解决了家庭、企业设备环境中传统管理模型中存在的专用性、复杂性、人机界面和Web化等问题，为系统管理员在任何时间和任何地点提供了友好的、平台无关的、易于使用的远程监控嵌入式设备的方法。     

状态形态学滤波与EWT的故障特征提取方法研究

针对往复机械振动信号具有复杂非线性、非平稳等特性,使用一种基于小波框架的自适应经验小波变换和以集合角度处理信号的形态学滤波来进行往复机械故障特征提取。首先使用自适应经验小波变换通过构造尺度空间曲线对傅里叶频谱进行划分,构造合适的正交小波滤波器组以提取具有紧支撑傅里叶频谱的AM-FM成分;然后根据往复机械振动信号冲击性的特点,基于信号本身特性构造形态学结构元素,对提取出的模态进行状态自适应形态学滤波;最后使用多尺度模糊熵对模态进行定量分析并对故障进行识别。将该方法应用到实测数据中,实验结果验证了该方法的有效性,该方法可以准确对往复压缩机气阀故障进行识别。     

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。