往复压缩机轴承间隙故障诊断与状态评估方法研究

发布时间：2018-11-17 08:50

【摘要】：往复压缩机是用于压缩和输送气体的机械设备，已成为石油化工领域必不可少的关键设备。随着社会对安全生产重视程度的日益提高，对其实施故障诊断已势在必行。往复压缩机结构复杂，激励源众多，对其故障诊断方法进行深入研究显得尤其重要。本文以往复压缩机传动机构滑动轴承的间隙故障为对象，采用多体动力学仿真、信号自适应分解、非线性信号定量描述和智能模式识别等方法，对故障诊断过程的数据获取、特征提取和模式识别与估计三个阶段进行深入研究，提出了一套完整的往复压缩机轴承间隙故障诊断与状态评估方法。主要工作如下：为解决难以开展多类型故障试验以致状态数据获取不足问题，进行了含间隙运动副的往复压缩机轴承故障状态多体动力学仿真方法研究。间隙运动副模型参数是影响系统动力学响应的关键因素，使用设计参数值进行建模时，仿真与实测数据差异显著，为此提出以实测与仿真数据相似性为目标，利用遗传算法对间隙运动副模型参数进行优化，提高多体动力学模型仿真准确性。不同间隙下模型参数关系是模型优化参数推广的基础，为此分析了间隙变化对模型参数的影响，得出了同一运动副不同间隙下模型参数关系，以此将模型优化参数推广至轴承不同间隙状态数据的仿真中，实现了更多状态数据的获取。针对往复压缩机轴承随连杆运动以致振动传递路径复杂，且信号呈现非线性问题，提出了基于多重分形与奇异值分解的轴承故障位置特征提取方法。鉴于振动信号传递路径复杂，单传感器数据难以全面观测状态信息，提出以多传感器数据作为信息源，扩展观测范围。此外，振动信号呈现非线性特性，多重分形能够更精细刻画非线性信号的局部尺度行为，提出利用多重分形中广义分形维数对多传感器数据进行定量描述，形成多传感器广义分形维数矩阵，并通过奇异值分解对矩阵压缩，提取矩阵奇异值作为状态特征向量。以支持向量机作为模式识别器，经试验与仿真故障数据测试，该方法所提取特征向量具有更高的识别准确率，实现了不同位置轴承故障特征的有效提取。针对往复压缩机振动信号呈现非线性、强非平稳性以及多分量耦合特性，提出了基于局部均值分解（LMD）与多尺度熵（MSE）的轴承故障程度特征提取方法。LMD方法适用于具有非平稳性与多分量耦合特性的信号分析，但传统LMD方法因对强非平稳信号包络精度低而出现分解结果失真问题，为此提出以形状可调的有理Hermite方法构造极值包络线，并以极值对称点优选包络线的插值方法，提高了局部均值函数与包络估计函数拟合精度，试验与仿真数据验证了该方法的有效性。多尺度熵具有尺度特性，适合于LMD各PF分量的非线性定量描述，但各状态PF分量存在随尺度因子不同而熵值差不同问题，为此提出以特征向量具有最大平均类间距离为目标，以各PF分量对应的尺度因子为变量，利用遗传算法优选特征向量的方法。通过故障仿真数据测试，所提取特征向量具有良好的可分性，，实现了不同程度轴承故障特征的有效提取。为实现往复压缩机故障诊断与评估的智能化，进行了基于二叉树支持向量机（SVM）的模式识别与状态评估方法研究。二叉树SVM多类算法的推广能力依赖于二叉树层次结构，而类的可分性测度是有效设计层次结构的基础，结合类间距离和类内分布两种标准设计了一种带权值的新型可分性测度，以此提出了改进二叉树SVM的层次结构构建方法。此外，二叉树SVM整体性能取决于各SVM子分类器性能，针对二叉树SVM参数优化过程，提出了各SVM子分类器分别进行参数优化的独立参数优化算法。经UCI标准数据集和轴承故障特征样本集测试，改进二叉树SVM具有更优越的性能。根据SVM对同类样本集分类结果具有概率统计的特性，建立了基于SVM的轴承间隙故障状态评估模型，经仿真故障特征样本集测试，该模型实现了故障状态的准确评估。
[Abstract]:......
【学位授予单位】：哈尔滨工业大学
【学位级别】：博士
【学位授予年份】：2014
【分类号】：TH45;TH165.3

【参考文献】