基于智能控制的回转压缩机械故障诊断与研究

论文摘要

离心压缩机是大型石化企业中的关键的生产设备，它在石化炼化领域中发挥着无可替代的作用。随着工业进步与科学技术的发展，离心式压缩机朝着高转速、重负载和自动化方向发展，这就对其在速度、容量、效率和安全可靠性等方面提出了越来越高的要求。同时压缩机组系统常常不但由于其本身出现各种不同形式的故障，而且还会受来自上游与下游相关生产单元的影响，使其偏离正常运行状态而被动工作，有时甚至会发生由某种故障或影响引发的严重的机毁人亡的事故，并造成重大的经济损失。所以保障其安全、平稳运转是十分重要的。目前，多数企业都实现了压缩机组的实时状态监测，但是对故障诊断决策环节和各系统单元之间相互制约的研究却相对薄弱，大多是以经验积累或数据库为基础的。本文针对石化企业大型离心式压缩机组轴系的振动及相关单元的传递工质对机组的运行影响进行研究，并开发了以大型离心式压缩机组轴系的振动分析为基础的在线监测与故障诊断系统，主要特点如下：（1）研究了相关系统（工质输入、输出）工作状态对压缩机主本身的影响。由于实际工厂企业中，单元之间有着一定的工质传输距离，正是利用现场设备布置的这一特点，本文研究了压缩机组系统的预响应，使压缩机组系统实现预先调节，主动调节控制，这样就避免了非预期工况对机组造成的冲击损伤，保证机组的安全稳定运行，延长机组使用寿命和维修周期。（2）通过对比分析，研究对比了不同信号处理方法对振动分析的适用性，同时研究了小波分析、重心重排Wigner-Ville分布在信号处理方面的有效性。信号仿真分析和实验结果表明，小波分析和重心重排Wigner～Ville分布都能清晰地表征不同故障的时变特征，说明它们对非平稳非高斯的信号具有很好的时频分辨效果，也指出了它们的适用空间。还分析了多分量神经网络的有效性，完成了神经网络建立了预测模型。（3）设计并实现了以大型离心式压缩机组轴系的振动分析为基础的在线监测与故障诊断系统，该系统集信号采集，数据实时分析处理，故障监测，网络通讯于一身的完整的振动分析系统。同时，由于其强大的通讯能力和兼容性，不仅可以进行自身的远程通讯，而且还可以和其它控制系统进行信息交换，实现了系统间的联网化，这样可以使不同单元的信息实现共享，从而实现在中炼化系统监测的连锁化。（4）最后进行了现场故障信号的对比分析，通过系统对开停机，带障运行等状态进行监测分析比较验证了该系统的可靠性。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 课题介绍
• 1.2 故障诊断的基本情况介绍
• 1.2.1 基本概念
• 1.2.2 研究内容
• 1.2.3 故障诊断的意义和目的
• 1.2.4 设备故障诊断技术的发展状况
• 1.2.5 设备故障诊断技术发展趋势
• 1.3 旋转机械故障诊断
• 1.3.1 研究的意义
• 1.3.2 故障的种类
• 1.3.3 故障机理研究
• 1.3.4 故障征兆获取
• 1.4 旋转机械故障诊断系统主要构成
• 1.4.1 信号采集
• 1.4.2 信号处理
• 1.4.3 故障原因识别
• 1.5 智能诊断决策技术
• 1.5.1 基于神经网络的智能诊断技术
• 1.5.2 基于行为的智能诊断技术
• 1.5.3 远程分布式智能诊断技术
• 1.6 本课题研究所用的基本理论
• 1.6.1 基本理论依据
• 1.6.2 本文采用的主要分析方法
• 1.6.3 本文故障分析采用的主要参数
• 1.7 论文的结构安排与主要工作
• 2 机械故障信号分析理论及处理方法
• 2.1 现代时频信号分析理论
• 2.2 大型回转机械故障诊断现状及本课题的信号分析路线
• 2.2.1 大型回转机械故障诊断现状
• 2.2.2 本课题采用的信号分析路线
• 2.2.3 本课题采用的信号分析方法及其特点的研究
• 2.3 小结
• 3 基于神经网络的机械故障预测与诊断
• 3.1 预测的基本理论
• 3.2 神经网络用于非平稳时间序列的预测
• 3.2.1 基于BP神经网络L-M训练法的非平稳时间序列预测研究
• 3.2.2 基于RBF神经网络的非平稳时间序列预测研究
• 3.2.3 基于自适应线性元件网络的非平稳时间序列预测研究
• 3.3 小结
• 4 故障数据库理论及网络通讯的研究
• 4.1 分布式诊断系统研究进展
• 4.2 远程诊断中心的研究
• 4.3 数据库管理DAO的研究
• 4.4 对网络通讯的研究
• 4.4.1 TCP/IP参考模型
• 4.4.2 Windows Sockets编程
• 4.5 系统网络通讯的研究
• 4.6 Web Service网络服务的研究
• 4.7 网络安全与管理系统的研究
• 4.8 小结
• 5 大型压缩机组在线状态监测系统设计
• 5.1 压缩机组系统分析
• 5.2 压缩机组被测参数确定
• 5.3 系统硬件构成
• 5.4 大型压缩机组在线状态监测系统软件设计
• 5.5 系统软件功能结构及用户界面展示
• 5.6 系统模块介绍
• 5.6.1 工艺性能监测模块
• 5.6.2 故障诊断模块
• 5.6.3 系统信号分析模块
• 5.6.4 网络模块功能的研究与开发
• 5.7 分析结果举例显示
• 5.8 结果输出
• 6 大型旋转机械的故障诊断与应用研究
• 6.1 FFT与小波分析相结合对旋转失速过程分析的研究
• 6.1.1 旋转失速
• 6.1.2 旋转失速的信号特征
• 6.1.3 分析方法
• 6.2 基于重心重排平滑Wigner-Ville分布的故障特征提取方法
• 6.3 神经网络在离心压缩机智能故障诊断中应用的研究
• 6.3.1 对压缩机组喘振的研究
• 6.3.2 振动与温度
• 6.3.3 相似离度分析
• 6.3.4 前轴瓦温度预测
• 6.3.5 基于RBF神经网络的离心压缩机故障诊断实例的研究
• 6.4 训练流程图与计算输出流程
• 7 大型旋转机械在线状态监测和故障诊断应用实例
• 7.1 旋转失速与喘振
• 7.1.1 故障情况基本介绍
• 7.1.2 机组环境介绍
• 7.1.3 故障原因分析
• 7.1.4 诊断结果与实际验证
• 7.2 转子的裂纹故障
• 7.2.1 征兆分析
• 7.2.2 诊断验证
• 7.3 故障预响应处理
• 7.3.1 机组预响应
• 7.3.2 重油催化车间气压机预响应时间计算
• 7.3.3 二套催化车间气压机预响应时间计算
• 7.3.4 故障起因
• 7.3.5 应用结果
• 结论与展望
• 1、结论
• 2、展望
• 参考资料
• 附录A
• 攻读博士学位期间发表学术论文情况
• 创新点摘要
• 致谢