当前位置:主页 > 科技论文 > 机械论文 >

旋转机械故障诊断及预测方法研究

发布时间:2019-01-08 11:24
【摘要】:转子系统和轴承是旋转机械中的关键零部件,其长期处于高速、满负荷运行极易出现故障。基于振动信号处理的诊断方法具有可在线、实时诊断的特点,针对频谱分析对非线性振动信号故障特征提取的不足,研究小波包和样本熵分析对振动信号进行特征提取,并应用灰关联分析和BP网络作为分类器进行故障识别。论文研究的主要成果如下: 1、建立旋转机械振动试验台及信号采集分析与诊断软件系统。 搭建振动试验台,模拟转子的不平衡、不对中、动静碰摩故障,设计以DSP为处理器的振动信号采集电路,并将采集到的故障信号传输到开发的上位机LabVIEW平台。上位机软件完成振动信号的显示、存储、数据查询、小波去噪、特征参数计算、BP网络故障诊断和振动趋势预测,可用于实际振动信号的分析诊断。 2、研究改进阈值量化函数的振动信号小波去噪方法,提出小波包样本熵振动信号特征提取方法,该特征比小波包能量特征对故障的区分度更好,并降低了特征参数维数。 传统软、硬阈值量化方法在闽值处分别存在恒定偏差和不连续的问题,引入参数可调的改进连续函数对阈值进行量化,经检验:该方法比传统软、硬阈值去噪性能更好。研究了振动信号的小波包能量特征、样本熵特征参数提取,结合小波包分析,提出小波包样本熵特征提取方法,首先对振动信号进行小波包分解,再计算重构信号中能量较大的前3个子代信号的样本熵作为特征参数,实验结果表明:该参数可作为故障诊断特征参数,比采用小波包能量特征对故障的区分度更好。 3、研究灰色关联分析和BP网络的机械故障诊断,提出小波包样本熵BP网络故障诊断方法,对轴承内圈故障和滚动体故障识别效果比小波包能量BP网络诊断方法更好。 根据故障振动信号的小波包能量特征向量,将灰色关联度分析对轴承正常、内圈故障、外圈故障、滚动体故障4种状态进行识别,在小样本下识别效果较好。结合小波包分析,提取轴承小波包样本熵特征,采用BP网络作为分类器进行识别,结果表明:该方法有利于对内圈故障和滚动体故障的识别,对滚动体故障的识别率比小波包能量BP网络诊断方法提高了6个百分点。 4、研究GM(1,1)模型和新陈代谢灰色模型预测方法在振动状态趋势预测中的应用,新陈代谢模型比GM(1,1)模型对振动趋势的预测精度更高。 采用灰色GM(1,1)模型对振动故障中上升、随机波动、综合增长三种变化趋势进行仿真预测实现。针对传统GM(1,1)模型建模数据固定的缺点,将原始模型进行改进,加入预测的新信息,去掉旧信息,模型参数在线修改的新陈代谢预测模型进行预测,经仿真检验证明:对上升趋势的15步预测平均相对误差为1.33%,小于GM(1,1)模型方法的5.93%;综合增长趋势的10步预测平均相对误差为3.674%,小于GM(1,1)模型方法的5.17%。最后建立了轴承故障预测特征信息RMS的BP网络预测模型,实验结果表明:RMS可作为轴承故障预测特征信息,并能提前预测出轴承故障,具有较高的预测精度。
[Abstract]:......
【学位授予单位】:西南石油大学
【学位级别】:硕士
【学位授予年份】:2014
【分类号】:TH165.3

【参考文献】

相关期刊论文 前10条

1 王冬云;张文志;张建刚;;小波包能量谱在滚动轴承故障诊断中的应用[J];轴承;2010年11期

2 宋光雄;陈松平;宋君辉;张亚飞;;汽轮发电机组转子裂纹故障研究及分析[J];动力工程学报;2012年04期

3 马硕;焦现炜;田柯文;吕世乐;赵阳;郑善军;;故障预测技术发展与分类[J];四川兵工学报;2013年02期

4 姚云峰;冯玉光;于磊;姜宇;;基于灰色理论的电子系统状态预测方法[J];火力与指挥控制;2012年05期

5 邓蕾;李锋;姚金宝;;基于流形学习和隐Markov模型的故障诊断[J];计算机集成制造系统;2010年10期

6 马良荔;李刚;陶道强;;基于灰色GM(1,1)模型的故障预测方法[J];计算机应用与软件;2013年04期

7 王亮;吕卫民;滕克难;李佳哲;;基于数据驱动的装备故障预测技术研究[J];计算机测量与控制;2013年08期

8 周剑波;鲁峰;黄金泉;;基于灰色关联分析的航空发动机气路部件故障诊断[J];推进技术;2011年01期

9 费成巍;白广忱;李晓颖;;基于过程功率谱熵SVM的转子振动故障诊断方法[J];推进技术;2012年02期

10 孙银银;刘振祥;胡歙眉;洪宇;;基于改进的MGM(1,n)模型的旋转机械故障预测方法研究[J];汽轮机技术;2012年05期



本文编号:2404537

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/jixiegongcheng/2404537.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户3a0f3***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com