基于轴承振动分析的智能离心泵寿命研究及故障诊断

发布时间：2020-11-11 17:59

　　 离心泵广泛应用于石油、石化、化工等流体领域,是重要的旋转机器之一。在工作过程中,由于泵的失效会导致生产线停止运转,因此,泵失效能力的早期检测可以保证生产线的连续性,同时也防止了泵本身的严重损坏,而监测离心泵的健康状况对于防止泵的意外停机至关重要。振动信号处理和技术分类的组合可以更好、更可靠的进行离心泵故障诊断。振动信号处理、尺寸测量技术和分类技术的应用是离心泵故障诊断中更值得深入探索的一个开放研究领域。本文研究基于轴承振动分析的离心泵寿命研究及故障诊断,在基于条件的维护(CBM)中,预测及健康管理(PHM)的加入对系统的有效保护有重要作用。在此之前,直接用测量的实际数值与PHM匹配的方法会引入外部噪音,基于此模型的维护策略并不理想。为了解决上述问题,本论文提出基于条件维护(CBM)和预测与健康管理(PHM)的结合,建立一种新的故障诊断方法,从轴承的数据中提取隐藏知识以提高离心泵寿命预测性能的工具。应用这种数据处理方法,在使用数据作为PHM输入之前,先消除外部噪声并进行数据匹配。我们采用泵轴承振动数据来验证模型。将该模型与两个相似模型进行了比较,通过建立一个智能网络,隐藏数据信号,获取更多清晰的知识预测。结果表明,我们所提出的模型可以更精确地进行预测。该方法可以期待用于提高设备管理的有效性、可靠性、安全性,最终提高离心泵的使用寿命。
【学位单位】：大连理工大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TE65;TQ051.21
【文章目录】：
摘要
Abstract
1 Introduction
    1.1 Maintenance Techniques
        1.1.1 Breakdown Maintenance （BM）
        1.1.2 Preventive Maintenance （PM）
        1.1.3 Condition Based Maintenance （CBM）
    1.2 Condition Monitoring （CM）
        1.2.1 Condition Monitoring Techniques
    1.3 Prognostic and Health Management （PHM）
    1.4 Scientific Contribution
    1.5 Thesis
2 A Review of Centrifugal Pumps and Their Failure Modes
    2.1 Centrifugal Pump
    2.2 The Construction of Centrifugal Pumps
        2.2.1 Pump Impeller
        2.2.2 Pump Shaft
        2.2.3 Pump Bearing
    2.3 Centrifugal pumps performance characteristics
    2.4 Common failure modes in centrifugal pumps
        2.4.1 Bearing Failure
3 An Overview of Vibration Signal Analysis
    3.1 Vibration Signal Analysis
    3.2 Understanding of Vibration in a Centrifugal Pump
        3.2.1 Hydraulic Sources-pressure pulsations
            3.2.1.1 Interaction between impeller flow and volute casing
            3.2.1.2 Flow Turbulence
            3.2.1.3 Due to Cavitation
        3.2.2 Mechanical Sources
            3.2.2.1 Unbalance
            3.2.2.2 Misalignment
            3.2.2.3 Bearing Failure
4 Research methodology
    4.1 Stage 1 （Data Collection）
        4.1.1 Centrifugal Pump Experimental Test Set Up
        4.1.2 Vibration Signal Acquisition
    4.2 Stage 2
        4.2.1 Wavelet Transforms
            4.2.1.1 Continuous Wavelet Transform （CWT）
            4.2.1.2 Discrete Wavelet Transform （DWT）
        4.2.2 Feature Extraction
            4.2.2.1 Introduction of SVM
            4.2.2.2 Intelligent Method
        4.2.3 Data Normalization
    4.3 Development of CBM to the CBM/PHM model
5 The Centrifugal Pump Bearing Test
    5.1 Centrifugal Pump Simulation
        5.1.1 Pump Simulation
        5.1.2 Bearing Simulation
        5.1.3 Schematic of Experimental Setup
        5.1.4 Bearing Vibration
    5.2 Pump Experiment
        5.2.1 Bearing Fault
        5.2.2 Experiment Setup
        5.2.3 Data Acquisition
        5.2.4 Bearing vibration
6 Modeling of Proposed Method
    6.1 Simulation and analysis of vibration signal of bearings
        6.1.1 Bearings fault signal modeling
            6.1.1.1 Inner race defect signal modeling
            6.1.1.2 Outer race defect signal modeling
            6.1.1.3 Rolling element defect signal modeling
        6.1.2 Rolling bearing fundamental characteristic frequency
    6.2 Simulation signal analysis with different location defect
    6.3 Simulation signal analysis results
7 Results and Discussion of the Proposed Method
    7.1 CBM/PHM Basic Method
        7.1.1 Artificial Neural Network （ANN） process
        7.1.2 Multi-Layer Perceptron （MLP）
    7.2 Prognosis Methods
    7.3 Discover Hidden Knowledge by Data Mining and Processing
    7.4 Data Preprocessing
Conclusions
References
Research Projects and Publications in Master Study
Acknowledgement

【相似文献】

相关期刊论文 前10条

1 王彦梅;李佳民;;农用汽车发动机状态监测系统与诊断方法研究[J];农机化研究;2018年02期

2 王渊明;徐策;侯继超;张禹生;;烟草机械中故障诊断技术的应用[J];南方农机;2018年04期

3 周雪军;;故障诊断技术在烟草机械中的应用和发展趋势[J];科技风;2018年22期

4 陈亚明;颜云;;故障诊断方法现状及发展方向研究[J];电工技术;2018年18期

5 单建虎;;石化转动设备状态监测与故障诊断平台及应用[J];石化技术;2017年10期

6 石志军;陈信在;高金宝;;舰船电子装备电路板的故障诊断策略研究[J];科技与企业;2016年01期

7 谢敏;楼鑫;罗芊;;航天器故障诊断技术综述及发展趋势[J];软件;2016年07期

8 付丽莉;;汽轮机故障诊断技术的发展分析和研究[J];科技创新与应用;2015年08期

9 谢春萍;梁家荣;;星型网络的几种故障诊断度研究[J];广西大学学报(自然科学版);2015年03期

10 周敏婷;;大功率陶瓷真空电容的故障诊断和失效分析[J];同行;2016年08期

相关博士学位论文 前10条

1 茆志伟;活塞式发动机典型故障诊断及非稳定工况监测评估方法研究[D];北京化工大学;2018年

2 黄杰;基于智能学习的电喷汽车故障诊断与监测评估系统的研究[D];中国农业大学;2018年

3 王奉涛;非平稳信号故障特征提取与智能诊断方法的研究及应用[D];大连理工大学;2003年

4 钱华明;故障诊断与容错技术及其在组合导航系统中的应用研究[D];哈尔滨工程大学;2004年

5 蒋丽英;基于FDA/DPLS方法的流程工业故障诊断研究[D];浙江大学;2005年

6 韩彦岭;面向复杂设备的远程智能诊断技术及其应用研究[D];上海大学;2005年

7 张君;小波分析技术在汽轮机故障诊断中的应用研究[D];华北电力大学（河北）;2005年

8 邓学欣;开放式故障诊断构架及动态测试分析方法研究[D];天津大学;2004年

9 谭树彬;轧机厚控系统状态监测与故障诊断的研究与应用[D];东北大学;2006年

10 贾明兴;不确定系统鲁棒故障诊断[D];东北大学;2003年

相关硕士学位论文 前10条

1 田胜伟;针对石脑油裂解制乙烯过程的监测与故障诊断[D];北京化工大学;2018年

2 孙梦云;分层异构自组织网络中的自治愈技术研究[D];南京航空航天大学;2018年

3 黄丹丹;基于多信号模型的故障诊断策略优化设计及在液压AGC系统中的应用[D];南京航空航天大学;2018年

4 焦天琦;基于云服务模式的远程智能故障诊断系统的实现[D];北京化工大学;2018年

5 李沛洁;面向工业过程故障诊断的条件状态模糊Petri网建模与推理[D];北京化工大学;2018年

6 王珂;航空发动机燃油调节器建模与故障诊断[D];大连理工大学;2018年

7 ALI OMIDI;基于轴承振动分析的智能离心泵寿命研究及故障诊断[D];大连理工大学;2018年

8 薛杨涛;化工故障诊断决策方法研究[D];苏州大学;2018年

9 胡志新;基于深度学习的化工故障诊断方法研究[D];杭州电子科技大学;2018年

10 李妍美;基于深度学习网络的潜油往复抽油机故障诊断研究[D];哈尔滨理工大学;2018年

本文编号：2879544