离心式风机振动故障诊断方法研究

发布时间：2020-02-20 10:25

【摘要】：现代大型发电机组单机容量越来越大,机组的安全运营越来越受到业内的重视,大力发展旋转机械的振动故障诊断技术就显得尤为重要,而故障特征的提取和分类又是振动故障诊断技术中的关键问题。利用描述系统混沌特性的最大李亚普诺夫指数,Hurst指数,以及描述信号复杂性的近似熵来描述振动信号的故障特性。同时,用于脑电波和心电图去噪的一些理论也被用来对分析信号进行预处理,结合改进的k-means算法,我们对试验离心风机振动故障信号进行了诊断。利用自回归和EMD结合的方法,对离心式风机联轴器不对中故障进行了分析,得到了风机负荷跟故障频率的关系图,以及不对中程度的大小分别跟风机负荷,风机转速之间的关系。采用基于高斯矩的FASTICA算法对信号进行盲分离,得到观测信号中所包含的独立分量,对振源对应的独立分量进行时频分析,确定出故障分量;将故障分量以外的独立分量视为干扰噪声置零,然后重构各分量得到新的信号矩阵,再次用分离矩阵的逆矩阵与信号矩阵相乘得到去噪以后的振动加速度信号,根据类距离判据,对其去噪效果与其他几种方法进行了比较。介绍了k-means算法的原始思想,通过列举4个聚类中心在2块分开的空间里的应用结果来说明其容易陷入局部最优的缺点,应用聚类中心移动准则对其进行了优化,结合提取的风机振动时域信号的3个特征参量,对故障进行了分类。运用EMD理论对原始的振动信号进行了预处理,然后对重构的信号进行了经验模式分解,根据不同故障提取IMF能量特征,并对其能量特征进行了归一化处理,组成特征向量,输入到改进的k-means算法里面进行分类。
【图文】：

振动分析,信号

图 3-6 振动分析信号由于篇幅原因这里只给出风机在某一负荷下故障信号的 EMD 分解结果，如图 3-7 所示（图中，，从上至下依次为：IMF1~IMF7，7r 为残余），可见信号的主要能量和故障频率包含在第一个 IMF 到第四个 IMF 中，其中第 1 个 IMF 主要是高频噪声，依次下去的各 IMF 分量频率逐渐变低，不同的 IMF 分量包含了不同的时间尺度，使不对中故障信号的特征在不同分辨率下显示出来。EMD 分解的一个显著特点就是它可以实现信号主要成分的提取，图中第 2～5 个 IMF 分量代表了故障信号的主要特征。由于分解出来的各 IMF 都可能受到噪声的干扰，所以需要依据 3σ 准则进行消噪处理。3σ 准则是粗差检测的常用准则之一，其基本思想是：由于随机误差服从正太分布，则误差的绝对值主要集中在均值附近。用公式表示有p { 3 σ < z μ < 3σ }=0.9974式中2z ~ N ( μ , σ )；本文中，2z ~ N (0, σ )，即取均值为 0，均方差为2σ 的白噪声。因此各 IMF 中凡数据大于3σ 的则视为粗差。

下风,故障信号,故障频率,风机

某一负荷下风机故障信号的EMD结果
【学位授予单位】：东北电力大学
【学位级别】：硕士
【学位授予年份】：2011
【分类号】：TH442

【参考文献】