离心通风机故障诊断方法及失速预警研究

发布时间：2019-10-18 05:51

【摘要】：风机属于通用机械范畴,在国民经济各部门都有广泛应用。作为发电厂烟风系统的动力源,风机运行状况是影响电厂的安全、经济运行的重要因素之一。因此,开展风机故障诊断研究,保障风机安全可靠的运行,有着重大的意义。本文以G4-73No8D风机为研究对象,进行风机故障诊断及旋转失速预测研究。主要研究内容及成果如下： (1)离心风机故障模拟实验研究及故障样本库的建立。基于G4-73No8D离心通风机实验台,实现了风机典型机械振动故障和旋转失速故障模拟,并建立了高速数据采集系统进行数据采集,建立了故障样本库。机械振动故障状态包括不同严重程度、不同发生部位情况下的不平衡、不对中、松动、碰摩等故障状态；失速故障包括不同导流器开度工况下,风机从正常运行状态到强失速状态的渐进过程。 (2)基于小波包及信号复杂度分析的风机智能故障诊断模型研究。实现了振动信号样本熵特征、符号动力学信息熵特征、小波包能量特征、小波包奇异值特征的提取,并对每种特征各自的特点进行了分析,发现不同故障状态下的特征均具有一定的可区分性,为智能故障诊断提供了基础。改进了智能诊断方法,针对神经网络易陷入局部极小、收敛速度慢,SVM模型参数不易选择的问题,提出用增加动量项和自适应调节学习率优化的BP神经网络和粒子群算法改进SVM作为故障分类器,建立了智能故障诊断模型。结果显示,基于复杂度分析和小波包分析的智能诊断模型能够对风机故障进行准确诊断,且计算效率较高。 (3)基于SDP分析和图像匹配相结合的风机故障诊断方法研究。实现了风机各类运行状态下振动信号的SDP变换,得到了不同运行状态振动信号的SDP图,反映了振动信号的特征,体现出风机不同运行状态之间的区别；建立了故障模板图,实现了未知故障SDP图与故障模板图之间的图像匹配,确定了未知故障的种类；对基于单模板、多模板和聚类模板的图像匹配效果进行分析,结果显示基于聚类故障模板图像匹配效果最佳,在保证了匹配准确率的基础上,不增加额外计算量。 (4)基于相空间变换和支持向量回归机的风机旋转失速预测模型研究。以风机从正常状态到强失速状态的渐进信号训练风机失速预测模型,以相空间变换的方法提取信号特征,挖掘出隐藏在一维时间序列中的本质规律,为回归研究提供更充实的信息；以SVR作为回归模型,实现了旋转失速的实时预测,并基于小波分析的方法检测出失速起始点。基于多步预测技术,建立了旋转失速预测模型,实现了提前五步预测失速起始点,满足了失速预警的时间需求。
【图文】：

误差曲线,误差曲线,改进BP网络,逼近性

i 0 2000 4000 6Q00 8000 10000 0 0 2 04 0.6 0.3 1图3-1标准BP网络的训练误差曲线Fig.3-1 The training error curve of standard BP network_ Best Training Performance is NaN at epoch 324 Training R=0.994l(f f ‘ ‘ ‘ ‘‘ "71 1丨| . ‘ ‘ 78 Tram | N ^ata ,I ^ -------S /、、\ |o.e. /I 1。' . s Zf 一………\ r /? o /^ /la""：.——.——.——.■_.——^ oT0 50 100 150 200 250 300 o 02 04 0 6 ^ 1324 Epochs Target图3-2改进BP网络的训练误差曲线Fig.3-2 The training error curve of improved BP network综上所述，改进BP网络能够有效提高网络的训练速度，缩短网络的训练时间，，改善网络的收敛性能，避免网络陷入局部极小值，并且改进BP网络比标准BP网络具有更加良好的逼近性能。25

误差曲线,改进BP网络,误差曲线,故障类别

改进BP网络的训练误差曲线
【学位授予单位】：华北电力大学
【学位级别】：博士
【学位授予年份】：2014
【分类号】：TH432;TH165.3

【参考文献】