基于快速排序绝对值特性全连接分类器的轴承故障诊断

工业生产中的机械设备故障是一个反复出现的问题。一个微小的故障会对机械设备造成不可逆转的损伤。严重的机械设备故障会导致企业生产部门停产,进而导致企业的经济效益下降。提供准确及时地故障诊断能最大程度避免轴承故障的出现。提出一种快速排序绝对值特性全连接分类器(fast sorted absolute feature Fully-connected classifier,FSAFCC)用于轴承的故障识别。FSAFCC有两个部分。FSAFCC第1部分是数据预处理部分。数据预处理部分是对采集到的原始信号进行随机时刻截取、取绝对值和排序的操作。FSAFCC的第2部分是利用全连接分类器进行轴承的故障分类。FSAFCC在数据预处理部分只需要进行取绝对值和重新排序的计算;FSAFCC的数据预处理部分计算步骤简单,而且计算量很小,所以FSAFCC的运算速度很快。FSAFCC方法在美国西储大学轴承故障数据集,轴向柱塞液压泵数据集和自吸离心泵数据集中进行实验,实验结果表明,FSAFCC的方法在轴承故障诊断领域不但有着很高的准确度,而且所用时间很短。

基于复局部均值分解和复信号包络谱的滚动轴承故障诊断方法

提出了一种基于复局部均值分解(CLMD)和复信号包络谱(CSES)的滚动轴承故障诊断新方法。首先通过互相垂直安装的加速度传感器采集2个方向的振动信号,并将其组成一个复数信号;然后利用CLMD对二元复数信号进行自适应分解,将分解得到的复数信号的实部和虚部包络信号组成一个复包络信号,根据复傅里叶变换具有幅值增强和综合频率特性,直接对复包络信号进行复傅里叶变换,提取的故障特征频率更为清晰。通过滚动轴承不同位置的外圈故障实验,证明了所提方法能够实现故障特征增强,可用于诊断滚动轴承微弱故障和复合故障。

基于MVMD和全矢包络谱的滚动轴承故障诊断方法

为全面、准确地诊断滚动轴承故障,提出一种基于多元变分模态分解(MVMD)和全矢包络谱的滚动轴承故障诊断方法。首先,采用正交采样技术获取滚动轴承同一支撑处互相垂直方向上的振动信号,将其组成一个二元调制振荡信号。然后,运用MVMD从二元调制振荡信号中提取一组最佳的二元调制振荡信号,其对应的带宽之和最小。由于MVMD运用统一数学模型对2个方向的信号建模,可确保故障特征被分解到同一层,便于后续的信息融合。最后,运用Hilbert变换对每个二元调制振荡信号解调得到相应的包络信号,利用全矢谱融合2个方向的包络信号信息以得到全矢包络谱,进而诊断滚动轴承故障。仿真和试验结果证明了所提方法的可行性和有效性。

基于工程实践的汽轮发电机组不稳定振动的研究

统计分析了十年来30台次的大型汽轮发电机组发生的不稳定振动故障的实例,对发生不稳定振动故障来源阶段及形式进行了统计分析,同时统计分析了引起机组不稳定振动故障的主要原因占比,结合现场实际案例阐述了机组发生不稳定振动故障所表现的特征及处理措施,为大型汽轮发电机组的安全运行提供了技术参考与依据。