基于PSO-SVM-RF的离心泵转子故障诊断研究

转子是离心泵的重要组件之一,对转子运行状态的检测和诊断的研究具有重要意义。转子不平衡、不对中故障引发的故障特征较为相似,为了有效识别离心泵这两种转子故障。通过在离心泵进口法兰位置布置振动加速度传感器进行信号采集,提取原信号时频域特征,并利用随机森林算法筛选出重要性较高6个特征并将随机森林得到的分类结果作为PSO-SVM的输入,进而来区分正常、转子不对中、转子不平衡故障,同时还比较了该方法与传统PSO-SVM的故障识别率。结果表明,该模型PSO优化迭代次数更少、具有更高的识别率,对故障的识别率达到99.36%。

基于CEEMD与SVM的离心泵转子不对中故障诊断方法研究

为了更好地判断离心泵转子不对中故障,通过互补经验模态分解(CEEMD)结合支持向量机(SVM)对转子不对中故障进行识别,搭建离心泵故障模拟实验台,利用电涡流振动位移传感器采集离心泵转子位移信号,使用CEEMD算法分解离心泵在正常状态与故障状态下信号,通过相关系数法和阈值,选取有效内涵模态分量(IMF)分量进行信号重构,计算重构信号的时域特征参数并组成特征向量,最后利用SVM对故障进行识别分类。结果表明,采用CEEMD方法可以有效提取出离心泵转子不对中时的故障特征。采用SVM方法对重构后的信号提取的特征向量进行训练,故障识别准确率可以达到93%,能够有效识别离心泵转子不对中故障。

离心泵在线监控及故障诊断系统研究

为了实现泵机组及相关设备故障检修的快速定位、提高设备维护的时效性和效率,本文完成了离心泵模拟故障试验台的搭建,对不同工况下的不同故障进行模拟试验,通过对离心泵机组设备的监测,深入研究离心泵故障产生机理,并对故障特征信号提取进行研究。对不同型式的离心泵机组进行业务分析,研发出离心泵在线监测与故障诊断软件。通过离心泵典型故障复现试验,收集正常条件与故障条件下设备的运转数据。通过对试验得到的大量数据进行统计分析,结果证明软件对于故障的判断较为准确,能够有效地诊断故障以及定位故障。

基于RBF神经网络的离心泵地脚螺栓松动故障诊断

为了准确识别卧式离心泵地脚螺栓松动故障,搭建了卧式离心泵机组诊断平台,采用电涡流传感器对离心泵转子位移进行监测.将采集的转子位移信号经过经验模态分解法(empirical mode decomposition,EMD)分解为多个固有模态函数(intrinsic mode function,IMF),对各层IMF频谱特征、相关系数及能量占比进行分析得到故障敏感分量.最后,通过径向基(radial basis function,RBF)神经网络对离心泵松动故障进行识别预测.结果表明:采用EMD方法可以有效提取出离心泵松动故障特征,IMF5—IMF8层可作为故障特征分量.通过将IMF5—IMF8层的相关系数和能量占比作为故障特征输入到RBF神经网络中进行识别,准确率可达95%.

基于WVPSO算法的离心泵空化试验数据拟合

为了更好地拟合离心泵空化试验数据,搭建了卧式离心泵闭式空化试验台,采集了空化试验数据。首先对空化实验数据进行常规的3次、4次、5次、6次多项式拟合,其中5次多项式拟合方法对于空化试验数据的拟合效果较好,但随着拟合次数的增加,空化曲线的震荡现象越发严重。其次采用PSO和WVPSO算法分别对空化试验数据进行分段多项式拟合,通过对比两种算法的拟合结果,发现WVPSO算法对于数据的拟合效果更好,其能够消除多项式拟合后空化曲线的震荡现象,使得空化曲线更加光滑。