基于叶尖定时的旋转叶片安全监测及智能诊断方法研究
发布时间：2021-04-26 03:47
高速旋转叶片是航空、石化、舰船、电力等行业旋转设备的关键部件,其运行状态直接决定着整个系统的安全性与稳定性,如何对其进行在线监测及诊断一直是一个行业挑战。叶尖定时技术因其非接触性、监测全面性、成本低等优势成为最具发展前景的旋转叶片监测手段。而目前叶尖定时技术因其存在的若干技术和科学问题（强噪声干扰下如何准确提取叶尖定时信号、如何对欠采样叶尖定时信号进行分析与信息提取、变转速下如何进行叶片振动数据监测以及如何利用欠采样叶尖定时信号进行叶片状态的智能诊断）使其难以应用到实际生产中,本文围绕这些问题开展了深入的研究,主要内容如下:1、对高速旋转叶片振动机理及特性进行了分析总结,包括旋转叶片振动形式、振型及振动参数等,并利用有限元分析软件ANSYS完成了多种状态下叶片的模态分析,包括叶片固有频率和模态振型分析,为论文的后续研究打下了良好的基础。2、针对传统叶尖定时测振系统难以在变转速状态下进行叶片振动测量的问题提出了基于多键相的变转速下叶片振动监测方法,利用转速波动具有连续性的特点将其变速过程进行微分处理,通过在转轴均匀布置多个键相来实现转速的准确估计,并基于虚拟键相插值推导了旋转叶片的振动测...
【文章来源】：中国石油大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：108 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
创新点
第1章 绪论
1.1 课题来源
1.2 研究背景及意义
1.3 国内外研究现状
1.3.1 旋转叶片振动监测技术研究现状
1.3.2 叶尖定时监测技术研究现状
1.3.3 目前存在的问题
1.4 论文主要研究内容
1.5 论文技术路线
第2章 高速旋转叶片振动特性及叶尖定时监测方法
2.1 引言
2.2 高速旋转叶片振动特性
2.2.1 叶片类型
2.2.2 叶片振动的基本形式
2.2.3 叶片主要振型
2.2.4 叶片振动的主要参数
2.2.5 旋转叶片模态分析
2.3 基于叶尖定时的旋转叶片监测技术
2.3.1 叶尖定时技术基本原理
2.3.2 叶尖定时传感器
2.3.3 叶片振动参数辨识方法
2.4 本章小结
第3章 基于多键相的变转速下旋转叶片振动监测方法研究
3.1 引言
3.2 变转速状态下高速叶片监测方法
3.2.1 变转速下叶片振动监测存在的挑战
3.2.2 多键相的变转速下叶片振动测量原理
3.2.3 基于多键相的叶片振动位移测量方程
3.3 基于数值建模及动力学仿真的方法验证
3.3.1 数值建模验证
3.3.2 动力学仿真验证
3.4 本章小结
第4章 强噪声干扰条件下叶尖定时信号准确提取方法研究
4.1 引言
4.2 叶尖定时系统测量误差分析
4.2.1 测量误差影响分析
4.2.2 叶尖间隙变化引起测量误差分析
4.2.3 叶片端面非对称结构引起的测量误差分析
4.2.4 背景噪声干扰造成测量误差分析
4.3 噪声干扰条件下叶尖定时信号准确提取方法研究
4.3.1 叶尖间隙波动引起测量误差改进
4.3.2 叶片端面非对称结构测量误差改进
4.3.3 基于EEMD的背景噪声干扰下叶尖定时信号提取方法
4.4 实验验证
4.5 本章小结
第5章 基于稀疏度自适应的欠采样叶尖定时信号重构方法研究
5.1 引言
5.2 叶尖定时测振系统采样模型
5.3 基于稀疏重构的欠采样叶尖定时信号分析方法
5.3.1 稀疏重构基本理论
5.3.2 稀疏度自适应的匹配追踪算法
5.4 数值建模及实验验证
5.4.1 数值建模分析
5.4.2 实验验证
5.5 本章小结
第6章 基于卷积神经网络的旋转叶片故障智能诊断方法研究
6.1 引言
6.2 深度学习
6.2.1 深度学习概述
6.2.2 卷积神经网络
6.3 基于卷积神经网络的高速旋转叶片诊断方法
6.3.1 信号采集
6.3.2 数据预处理
6.3.3 特征提取与融合
6.3.4 分类器优选
6.3.5 在线诊断
6.4 试验验证
6.4.1 实验设置
6.4.2 分类器选择
6.4.3 实验结果分析
6.5 本章小结
第7章 总结与展望
7.1 总结
7.2 展望
参考文献
致谢
个人简历、在学期间发表的学术论文及研究成果
学位论文数据集
【参考文献】：
期刊论文
[1]基于LabVIEW的叶尖定时采集系统的信号处理方法研究[J]. 时辰,岳林,杨彬. 机械制造与自动化. 2017(05)
[2]旋转叶片-机匣碰摩振动响应分析[J]. 马辉,孙祺,太兴宇,郝玉明,闻邦椿. 振动与冲击. 2017(14)
[3]空心风扇叶片高循环疲劳试验设计与验证[J]. 李迪,陈云永,廖连芳. 航空动力学报. 2017(06)
[4]旋转叶片结冰风洞试验研究[J]. 王绍龙,李岩,田川公太朗,冯放. 工程热物理学报. 2017(06)
[5]浅谈汽轮机叶片振动的测量方法[J]. 王琳. 山东工业技术. 2017(08)
[6]非接触式测振技术最新进展及应用——2016非接触式激光测振国际会议评述[J]. 茹宁,张力. 计测技术. 2016(06)
[7]航空发动机转子叶片的声振疲劳特性试验[J]. 王琰,郭定文. 航空动力学报. 2016(11)
[8]转子涡动对涡轮叶片非接触式应力测量精度的影响研究[J]. 宋慧斌,王维民,任三群,邵化金. 北京化工大学学报(自然科学版). 2016(02)
[9]基于叶尖定时技术的叶轮叶片动态监测研究现状[J]. 范博楠,张玉波,王海斗,徐滨士. 振动与冲击. 2016(05)
[10]基于叶尖定时法的旋转叶片振动监测技术研究与应用进展[J]. 陈庆光,王超. 噪声与振动控制. 2016(01)
博士论文
[1]基于深度学习表征的图像检索技术[D]. 孙韶言.中国科学技术大学 2017
[2]基于深度学习的图像分类方法研究[D]. 孟丹.华东师范大学 2017
[3]基于卷积神经网络的计算机视觉关键技术研究[D]. 李彦冬.电子科技大学 2017
[4]基于深度神经网络的文本表示及其应用[D]. 户保田.哈尔滨工业大学 2016
[5]深度模型及其在视觉文字分析中的应用[D]. 张树业.华南理工大学 2016
[6]基于深度学习的图像特征学习和分类方法的研究及应用[D]. 冯子勇.华南理工大学 2016
[7]融合叶尖定时信号的旋转机械转子故障诊断技术研究[D]. 李孟麟.天津大学 2011
[8]基于叶尖定时的旋转叶片振动检测及参数辨识技术[D]. 欧阳涛.天津大学 2011
[9]高速旋转叶片振动叶端定时测量方法和系统研究[D]. 王宇华.天津大学 2004
本文编号：3160672
【文章来源】：中国石油大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：108 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
创新点
第1章 绪论
1.1 课题来源
1.2 研究背景及意义
1.3 国内外研究现状
1.3.1 旋转叶片振动监测技术研究现状
1.3.2 叶尖定时监测技术研究现状
1.3.3 目前存在的问题
1.4 论文主要研究内容
1.5 论文技术路线
第2章 高速旋转叶片振动特性及叶尖定时监测方法
2.1 引言
2.2 高速旋转叶片振动特性
2.2.1 叶片类型
2.2.2 叶片振动的基本形式
2.2.3 叶片主要振型
2.2.4 叶片振动的主要参数
2.2.5 旋转叶片模态分析
2.3 基于叶尖定时的旋转叶片监测技术
2.3.1 叶尖定时技术基本原理
2.3.2 叶尖定时传感器
2.3.3 叶片振动参数辨识方法
2.4 本章小结
第3章 基于多键相的变转速下旋转叶片振动监测方法研究
3.1 引言
3.2 变转速状态下高速叶片监测方法
3.2.1 变转速下叶片振动监测存在的挑战
3.2.2 多键相的变转速下叶片振动测量原理
3.2.3 基于多键相的叶片振动位移测量方程
3.3 基于数值建模及动力学仿真的方法验证
3.3.1 数值建模验证
3.3.2 动力学仿真验证
3.4 本章小结
第4章 强噪声干扰条件下叶尖定时信号准确提取方法研究
4.1 引言
4.2 叶尖定时系统测量误差分析
4.2.1 测量误差影响分析
4.2.2 叶尖间隙变化引起测量误差分析
4.2.3 叶片端面非对称结构引起的测量误差分析
4.2.4 背景噪声干扰造成测量误差分析
4.3 噪声干扰条件下叶尖定时信号准确提取方法研究
4.3.1 叶尖间隙波动引起测量误差改进
4.3.2 叶片端面非对称结构测量误差改进
4.3.3 基于EEMD的背景噪声干扰下叶尖定时信号提取方法
4.4 实验验证
4.5 本章小结
第5章 基于稀疏度自适应的欠采样叶尖定时信号重构方法研究
5.1 引言
5.2 叶尖定时测振系统采样模型
5.3 基于稀疏重构的欠采样叶尖定时信号分析方法
5.3.1 稀疏重构基本理论
5.3.2 稀疏度自适应的匹配追踪算法
5.4 数值建模及实验验证
5.4.1 数值建模分析
5.4.2 实验验证
5.5 本章小结
第6章 基于卷积神经网络的旋转叶片故障智能诊断方法研究
6.1 引言
6.2 深度学习
6.2.1 深度学习概述
6.2.2 卷积神经网络
6.3 基于卷积神经网络的高速旋转叶片诊断方法
6.3.1 信号采集
6.3.2 数据预处理
6.3.3 特征提取与融合
6.3.4 分类器优选
6.3.5 在线诊断
6.4 试验验证
6.4.1 实验设置
6.4.2 分类器选择
6.4.3 实验结果分析
6.5 本章小结
第7章 总结与展望
7.1 总结
7.2 展望
参考文献
致谢
个人简历、在学期间发表的学术论文及研究成果
学位论文数据集
【参考文献】：
期刊论文
[1]基于LabVIEW的叶尖定时采集系统的信号处理方法研究[J]. 时辰,岳林,杨彬. 机械制造与自动化. 2017(05)
[2]旋转叶片-机匣碰摩振动响应分析[J]. 马辉,孙祺,太兴宇,郝玉明,闻邦椿. 振动与冲击. 2017(14)
[3]空心风扇叶片高循环疲劳试验设计与验证[J]. 李迪,陈云永,廖连芳. 航空动力学报. 2017(06)
[4]旋转叶片结冰风洞试验研究[J]. 王绍龙,李岩,田川公太朗,冯放. 工程热物理学报. 2017(06)
[5]浅谈汽轮机叶片振动的测量方法[J]. 王琳. 山东工业技术. 2017(08)
[6]非接触式测振技术最新进展及应用——2016非接触式激光测振国际会议评述[J]. 茹宁,张力. 计测技术. 2016(06)
[7]航空发动机转子叶片的声振疲劳特性试验[J]. 王琰,郭定文. 航空动力学报. 2016(11)
[8]转子涡动对涡轮叶片非接触式应力测量精度的影响研究[J]. 宋慧斌,王维民,任三群,邵化金. 北京化工大学学报(自然科学版). 2016(02)
[9]基于叶尖定时技术的叶轮叶片动态监测研究现状[J]. 范博楠,张玉波,王海斗,徐滨士. 振动与冲击. 2016(05)
[10]基于叶尖定时法的旋转叶片振动监测技术研究与应用进展[J]. 陈庆光,王超. 噪声与振动控制. 2016(01)
博士论文
[1]基于深度学习表征的图像检索技术[D]. 孙韶言.中国科学技术大学 2017
[2]基于深度学习的图像分类方法研究[D]. 孟丹.华东师范大学 2017
[3]基于卷积神经网络的计算机视觉关键技术研究[D]. 李彦冬.电子科技大学 2017
[4]基于深度神经网络的文本表示及其应用[D]. 户保田.哈尔滨工业大学 2016
[5]深度模型及其在视觉文字分析中的应用[D]. 张树业.华南理工大学 2016
[6]基于深度学习的图像特征学习和分类方法的研究及应用[D]. 冯子勇.华南理工大学 2016
[7]融合叶尖定时信号的旋转机械转子故障诊断技术研究[D]. 李孟麟.天津大学 2011
[8]基于叶尖定时的旋转叶片振动检测及参数辨识技术[D]. 欧阳涛.天津大学 2011
[9]高速旋转叶片振动叶端定时测量方法和系统研究[D]. 王宇华.天津大学 2004
本文编号：3160672
本文链接：https://www.wllwen.com/jixiegongchenglunwen/3160672.html
