基于VMD-多尺度排列熵和SVM的船用空压机故障诊断方法

船用机械振动信号存在非线性、非平稳性问题,故障特征难提取,通过变分模态分解(variational mode decomposition,VMD)多尺度排列熵(multiscale permutation entropy,MPE)与支持向量机(support vector machine,SVM)融合的故障诊断方法,对振动信号进行研究。以空压机为例,首先,模拟6种空压机工况,对各工况的热工参数进行测试,分析各工况热工参数的变化程度,并对采集的振动信号进行频域分析。然后通过VMD对振动信号进行分解,得到一系列固有模态分量,计算与原始信号的互相关系数筛选敏感固有模态分量。最后计算出敏感固有模态分量的多尺度排列熵,将其作为特征向量,输入到SVM中,进行故障辨识。实验结果表明:VMD多尺度排列熵与SVM融合的空压机故障辨识方法,能有效地识别故障类型,整体准确率可保持在98.6667%,将此方法与其他方法进行对比,证明此方法有效。

基于WOA-RF的船用风机故障诊断

针对船用风机典型故障诊断问题,利用鲸鱼优化算法优化随机森林(random forest optimized bywhale optimization algorithm,WOA-RF)对故障进行诊断,并通过实验验证该方法的准确性。实验模拟包括正常工况和5种异常工况在内的6种工况。采集所有不同工况下的振动信号,分别提取时域、频域下的特征参数构建第一特征向量。通过传统随机森林筛选得到具有更优分类效果的第二特征向量,再输入WOA-RF中完成故障识别。实验结果表明,本文提出的方法能够有效识别故障模式,平均预测准确率超99%。与其他算法对比,这种基于信息融合和WOA-RF的船用风机故障诊断方法准确性更高。

基于小波变换和CNN的船用机械故障诊断

针对船用机械故障特征自适应提取与智能化诊断问题,采用连续小波变换与卷积神经网络的船舶机械故障诊断方法。以船用风机为例,首先模拟船用机械不同故障并采集振动信号,通过连续小波变换将一维振动信号转化为特征图谱,其包含大量的时频信息。然后通过多次训练后,确定网络结构参数,建立卷积神经网络结构,将时频图作为卷积神经网络输入,挖掘更深层次的高度抽象的故障特征信息。最后在卷积神经网络的输出层接入softmax分类器,实现船用机械的故障诊断。实验结果表明:所提方法能准确识别故障类型,且具有较强的鲁棒性和泛化能力,诊断准确率可达99.3%。与集成经验模态分解、极限学习机故障诊断方法相比,该方法有更高的诊断精度。

往复压缩机多故障试验模拟及特征分析

为了解往复压缩机不同结构故障和性能故障的参数特征,对WP135型压缩机部件典型故障进行了模拟,包括地脚螺栓松动、活塞环断裂、吸气阀片断裂、排气阀片断裂。通过分析不同故障下的压缩机热工参数和缸盖顶部、机身侧面、机身底部测点振动信号的时域波形、时域、频域特征参数,揭示了热工参数和表面振动信号与压缩机不同零部件故障的内在联系。结果表明:不同的性能故障具有不同的热工参数变化特征,可以利用这些参数进行压缩机一级活塞环密封不良、二级活塞环密封不良、二级进气阀片断裂、二级排气阀片断裂性能故障的诊断。压缩机表面的振动对压缩机结构故障较敏感,可以用于对地脚螺栓松动故障的诊断,也可以利用振动信号的频谱特征进行其它结构故障的诊断,为进行往复式空压机的状态监测和健康管理提供了依据。

船用往复式空压机的状态监测与健康管理

船用往复式空压机是船舶机舱的重要设备之一,其零部件数量多、故障类型多、结构复杂,对往复式空压机进行状态监测和健康管理,有利于确保设备的运行可靠性和船舶的航行安全。总结了国内外对往复式空压机典型故障诊断的研究成果,确定了振动信号、压缩空气排出压力、运行噪声、电机电流和滑油成分等信号作为空压机状态监测的主要参数,以综合运用现代故障诊断的方法解决空压机各种故障的诊断问题。针对空压机故障诊断的复杂性,提出了关键部件的健康评估参数,以提高其状态监测的准确性。对未来船用空压机健康管理可能面临的问题及发展趋势进行分析总结,为未来智能船舶技术的发展和应用提供指导。

基于EEMD样本熵的船舶空压机噪声分析与诊断

船用空压机工作环境复杂,并且在机舱中存在各种激励源,噪声信号呈现非平稳、非线性的特点,故障特征难以提取,不能够准确地判断空压机当前故障情况。针对这一问题,提出了一种集成经验模态分解(EEMD)样本熵与支持向量机(SVM)相结合的故障诊断方法。将原始噪声信号通过EEMD方法进行分解,获取所有IMF分量。通过计算不同IMF分量之间的互相关系数筛选出敏感的IMF分量,并计算敏感分量的样本熵值。将样本熵值作为特征向量输入SVM模型中进行故障诊断。该方法可以有效地提取信号的重要特征,进而提高故障诊断的准确性和稳定性。结果表明,该方法能够有效克服背景噪声的影响,准确率可达98.6%,可为机舱其他动力装置的故障诊断以及船舶智能故障诊断系统的分析提供技术参考。