基于ARMA及神经网络的汽轮机振动故障诊断研究

根据Bently实验台所采集的碰摩、松动、不对中、不平衡4种典型的汽轮机转子振动故障水平方向与垂直方向的数据所建立的汽轮机转子振动故障序列自回归滑移平均(ARMA)模型,由ARMA模型参数计算自谱函数值,建立汽轮机转子振动故障时间序列的自谱函数图谱。对不同类故障所建立ARMA模型的自谱函数图谱分析表明:故障征兆信息较明显,有较好的故障区分度。另外由于ARMA模型的特征向量浓缩了原时间序列信号的全部信息,对ARMA模型的特征向量参数利用多节点输入双隐层BP神经网络完成p维欧氏空间到二维欧氏空间的非线性映射,对汽轮机转子振动故障状态进行诊断。诊断结果表明:对应故障类型的ARMA模型样本通过训练后的神经网络在二维欧氏空间中能较好地对故障进行分类,同类故障的检验样本与目标函数值在欧氏空间具有最小距离,表明基于ARMA模型的二维欧氏空间双隐层神经网络故障诊断方法有较高的故障辨识能力。

汽轮机转子振动故障非线性诊断研究

针对汽轮机转子振动故障的特点,根据Bently实验台所采集的4种典型汽轮机转子振动故障数据,运用分形盒维数、ARMA自谱函数、ARMA模型的二维双隐层神经网络和小波包分析方法研究了振动故障的非线性特征,进行故障诊断。诊断结果表明:不同故障盒维数不同,采用盒维数能够较好的对故障类型进行判别;各种故障的自谱函数幅值分布在不同的频段,有较好地区分度;采用ARMA模型的二维双隐层神经网络进行故障诊断,可以得到各种故障检验样本与目标函数在欧氏空间的最小距离,有较高的故障辨识力;运用小波包分析方法,可以获得汽轮机转子振动的故障状况,根据不同故障发生时的频谱特征,识别出不同的故障。

随机结构复合随机振动传递规律的分析

推导出线性随机结构在平稳随机激励下的复合随机振动传递的理论公式,建立了激励统计特性、随机结构特性以及响应统计特性三者之间的关系.理论分析表明,复合随机振动传递规律产生的变异主要取决于系统频响函数的变异程度.采用Monte Carlo方法,引入响应均值放大系数、响应方差放大系数及响应自谱放大函数的概念,对单自由度线性随机系统的复合随机振动传递规律的变异性进行了定量分析.结果表明,随着结构参数变异系数δ的增大,响应自谱放大函数的均值曲线峰值迅速减小,曲线形状变“矮、胖”,在δ=5%变异下,相对均值系统的自谱放大函数的峰值减小已超过45%;而响应均值放大系数和响应方差放大系数均单调增加,在δ≤5%时增加的幅度都很有限,且均与质量变异无关.