基于局域波时频谱的往复机故障智能诊断方法研究

论文摘要

故障诊断对于机械设备的重要性是不言而喻的。由于往复式压缩机在工业生产的特殊地位,针对其故障诊断方法的研究显得尤其重要。类同机电设备的主要诊断过程,往复式压缩机组的故障智能诊断主要分为三部分:第一是诊断信息的获取;第二是故障特征的提取;第三是故障源和故障类别的最终确定。考虑到这一思想,基于国家自然科学基金“局域波法及其工程应用研究”(No.50475155),在总结和汲取前人研究成果的基础上,对局域波法中的相关理论和方法进行改进,随后结合局域波理论、模糊二元树诊断、系统级故障诊断和灰色预测等方法及理论针对往复式压缩机组系统故障智能诊断方法进行了深入的研究,并将该方法在工程应用上予以验证。主要的工作如下:1.针对一维局域波理论的待改进点和二维局域波在图像诊断中的应用进行了深入的研究。在阐述局域波分解算法和时频分析理论的基础上,分析了一维局域波理论中存在的待改进点,包括微弱信号对强信号的影响和局域波时频谱处理等方面的应用研究。对适合于局域波时频谱特征提取的三种故障分类器的分类特性进行了对比分析研究。提出了基于二维局域波分解的图像诊断方法,通过对时频灰度图像的二维分解提取表征故障信息的图像细节部分,有效地实现了故障的特征提取。结合故障分类器运用局域波时频分析方法,对往复压缩机气阀表面振动信号进行综合分析,有效地识别了故障,体现出该方法对于分析往复机械的振动特点,在故障信息提取中效果较为理想。2.分析了往复式压缩机结构及工作原理并阐述了往复式压缩机振动的主要激励源,研究了往复式压缩机的主要振动形式和振动信号的特征,随后分析并研究了测点位置的优化布置方法,最终实现了往复机组的在线监测。3.提出了基于局域波时频图的故障模糊二元树诊断方法。对往复压缩机振动信号进行局域波时频处理,得到包含故障状态值的局域波时频谱,结合系统工况资料建立系统故障状态一特征表,找出最大故障信息量的特征群,建成故障信息量的模糊二元树。由模糊二元树分析故障,找出使路径信息量最大的部件,即为故障可能性最大的部件。即由模糊图来实现故障点的凸显过程。4.提出了基于局域波时频图的系统级故障诊断方法。大型往复式压缩机组结构的复杂性和子系统故障特征的多样性决定了其故障的难确定性。这里引入系统级故障诊断理论,分析了系统级故障诊断应用于往复式压缩机故障诊断的可行性问题,通过改进PMC测试模型集团算法的应用,提出了一种基于局域波时频谱的系统级故障诊断方法。5.通过分析往复式压缩机组系统的特点,引入灰色预测模型,从非线性时间序列预测的角度,对系统的状态预测进行了研究。首先对复杂过程工业系统进行灰色预测的可行性进行了分析。以振动信号能量谱作为输入量,选择SCGM预测模型,建立了系统状态的预测模型。该方法给出了系统状态预测的新思路,并通过实例对往复式压缩机系统行了短期预测,结果说明基于局域波和灰色预测模型的故障预测方法有较高的预测精度,适合于往复式压缩机组的故障状态波动的预测。

论文目录

• 摘要
• Abstract
• 1 绪论
• 1.1 选题背景与课题来源
• 1.2 局域波法及其工程应用研究现状
• 1.2.1 局域波理论的起源
• 1.2.2 局域波理论与方法及其发展状况
• 1.2.3 局域波法的工程应用现状
• 1.3 往复机故障智能诊断方法概述
• 1.3.1 往复机故障诊断方法研究现状
• 1.3.2 故障机理分析
• 1.3.3 往复机故障智能识别方法概述
• 1.3.4 基于模糊二元树的智能诊断方法
• 1.3.5 基于系统级故障诊断理论的智能诊断技术
• 1.3.6 故障预测方法综述
• 1.4 论文的主要内容与结构安排
• 1.4.1 论文研究的主要思路
• 1.4.2 论文的研究内容和章节安排
• 2 局域波算法和时频谱的处理方法研究
• 2.1 局域波理论基础
• 2.1.1 局域波分解
• 2.1.2 分解的完备性和正交性
• 2.1.3 局域波时频谱
• 2.1.4 仿真信号分析
• 2.2 微弱信号对强信号的影响在局域波分解中的体现
• 2.3 局域波时频谱的处理方法研究
• 2.4 小结
• 3 往复机故障机理分析与系统监测
• 3.1 引言
• 3.2 往复机的关键部件与工作原理分析
• 3.2.1 结构分析
• 3.2.2 振源分析
• 3.2.3 气阀
• 3.2.4 活塞环
• 3.2.5 传动机构—曲轴箱十字头
• 3.3 机组部件特征频段的确定
• 3.4 往复机振动信号的监测
• 3.4.1 算法与仿真
• 3.4.2 应用实现
• 3.5 往复机振动信号的包容性
• 3.6 小结
• 4 基于SVM的往复机故障智能诊断方法研究
• 4.1 引言
• 4.2 智能分类器
• 4.2.1 概率神经网络（PNN）
• 4.2.2 CPN网络模式分类器
• 4.2.3 支持向量机（SVM）
• 4.3 智能分类器的选择
• 4.4 智能诊断方法
• 4.4.1 采集振动信号
• 4.4.2 信号的局域波时频分析
• 4.4.3 确定特征—类别映射输入终端
• 4.4.4 智能分类器的应用
• 4.5 应用实例分析
• 4.5.1 SVM分类器及其映射输入端
• 4.5.2 信号分析与实时诊断
• 4.6 小结
• 5 基于局域波时频谱的模糊二元树诊断方法研究
• 5.1 故障信息理论基础
• 5.2 模糊二元树诊断法
• 5.2.1 二元树诊断
• 5.2.2 模糊图诊断法
• 5.3 诊断方法
• 5.4 诊断实例分析
• 5.4.1 振动信号的选择与局域波时频分析
• 5.4.2 机组故障状态—特征表的实现
• 5.4.3 作模糊二元树
• 5.4.4 由故障路径信息增量作故障点判定
• 5.5 小结
• 6 基于局域波时频谱的系统级故障诊断方法研究
• 6.1 系统级故障诊断模型及分类
• 6.2 系统级故障诊断的集团算法与仿真计算
• 6.2.1 集团算法
• 6.2.2 计算仿真
• 6.3 诊断方法
• 6.3.1 方法可行性分析
• 6.3.2 具体步骤
• 6.4 诊断实例分析
• 6.4.1 振动信号分析
• 6.4.2 构建测试矩阵
• 6.4.3 建立PMC测试模型
• 6.4.4 应用集团诊断法求故障集合
• 6.5 小结
• 7 往复机故障预测方法初探
• 7.1 引言
• 7.2 往复机故障灰色预测方法的可行性分析
• 7.3 灰色预测模型的选择
• 7.4 基于局域波时频谱的灰色预测方法
• 7.5 实例分析
• 7.5.1 信号的采集与局域波分析
• 7.5.2 单频段预测
• 7.5.3 整体预测与精度评估
• 7.6 小结
• 结论
• 参考文献
• 附录A 重整加氢压缩机组在线监测系统说明
• 攻读博士学位期间发表学术论文情况
• 论文创新点摘要
• 致谢