舰船汽轮齿轮机组一体化的初步设计多目标优化

本文讨论了在舰船汽轮齿轮机组初步设计中引入一体化多目标优化方法的必要性,介绍了用于优化计算的计算模型,讨论了优化变量、目标函数的选择,搜索过程中约束条件的某些假定,以及优化搜索过程。求一个三目标有约束(90个)多变量(14个)非线性规划决策问题。给出了各型汽轮齿轮机组的单目标和多目标优化分析的一些结果。计算表明所提出的方法是有效且实用的。

主汽轮齿轮机组及主要系统故障分析(I)——准备时的主要故障

论述主汽轮齿轮机组主要部件及主要系统准备时的故障形式、特征、原因和处理对策 .涉及的部件包括汽轮机、减速器、冷凝器、隔音联轴节、各种轴承 ,涉及的系统包括调节控制保安系统、滑油系统、冷凝系统和辅助冷凝装置 .

船用主汽轮齿轮机组调节控制保安系统故障分析

论述新型船用主汽轮齿轮机组调节控制保安系统的故障形式、特征、原因和处理对策。

舰用主汽轮齿轮机组冷凝系统故障分析

论述了新型舰用主汽轮齿轮机组冷凝系统和轴冷凝装置的故障形式、特征、原因和处理对策。

舰船主汽轮齿轮机组主要部件故障分析

论述舰船主汽轮齿轮机组主要部件的故障形式、特征、原因和处理对策。

船用主汽轮齿轮机组转速调节系统分析

通过对某新型船用主汽轮齿轮机组转速调节系统的原理分析 ,总结其设计思想。结合现有的调节技术 ,提出该系统的运行规律。通过对该系统的静态特性及动态特性的分析 ,寻找该系统的故障判别准则 ,为该系统的故障分析及维修奠定理论基础。

主汽轮齿轮机组数据巡检系统研制

数据巡检系统可以提高主汽轮齿轮机组试车过程中的整体功能,优化测量方案、增加测量数据量、提高测量系统测量精度、工作效率。系统选用美国国家仪器公司的最新板卡产品,数据采集精度高,解决大量高密度的信号采集测量问题,而且能保障仪器长期运行的可靠性。

改进MFO-LSTM网络的风电机组齿轮箱故障预警研究

风电机组齿轮箱在数据采集与监控系统(SCADA)的帮助下,通过监控齿轮箱油温是否超过阈值实现故障报警,其判断精度不高且问题发现不及时,因此使用长短期记忆网络模型(LSTM)融合SCADA数据实现对齿轮箱油温状态的预测。用齿轮箱正常运行状态下的数据训练LSTM模型,计算油温预测值与真实值之间的残差,根据正态分布的原则设置残差的上下预警阈值,用来对齿轮箱故障进行预警。为简化训练模型的复杂度,在SCADA数据中选用与齿轮箱油温相关性较为密切的参数作为LSTM模型的输入项。为降低因LSTM模型超参数设置不当造成的预测准确度表现不佳,提出改进飞蛾火焰算法(MFO)与LSTM的组合模型,在保留MFO算法强大的全局搜索能力的同时,使其避免陷入局部搜索的陷阱,通过改进MFO对LSTM模型参数进行迭代优化,最终构建合适的模型。最后通过某风电机组SCADA数据验证该方法能够有效预警齿轮箱的故障,并且与其他方法相比准确度更高,预警更及时,迭代效果更好。

基于改进实例学习算法的风电机组齿轮箱状态监测

风电机组齿轮箱的运行过程是复杂的非线性过程,采用实例学习(IBL)算法建立模型可有效对其进行状态监测。针对实例学习模型对训练数据质量敏感的特点,提出综合考虑多种性质的两步主动学习样本选择方法。首先提出一种基于拉丁超立方体抽样思想的网格划分初始样本选取方法,并基于z-score方法剔除其中的离群点。然后第一步基于信息性和代表性的综合得分选出候选样本来避免离群点影响,第二步基于多样性使第一步的候选样本稀疏化,从而避免冗余点影响。最后,基于指数加权移动平均控制图对实例学习回归模型输出的残差进行分析,并根据故障率对风电机组齿轮箱实现状态监测。利用某风电机组实际故障数据进行验证。结果表明:所提出的方法能选出优质样本,模型精度在验证集上较未改进前有所提升,且运算效率提升约50%,可实现齿轮箱异常的早期预警。

风电机组齿轮的弱磁检测技术

针对现有无损检测技术难以满足风电机组齿轮多类型缺陷检测需求的问题,提出了一种基于弱磁原理的无损检测技术。采用所提方法,设计试验分别对两种含有不同缺陷的17Cr2Ni2Mo钢试样进行检测,采集检测数据后进行信号处理和分析,最后与工业CT、巴克豪森噪声检测结果进行对比。试验结果表明,弱磁检测技术对齿轮的表面和内部裂纹缺陷较为敏感,对齿轮的磨削烧伤有很好的识别能力,定位准确,信号处理后的结果更为直观清晰。该技术在风电机组齿轮的无损检测中具有应用潜力。

基于小波分析的风电机组齿轮箱振动信号识别方法设计

以小波分析为核心,研究了一种新型风电机组齿轮箱振动信号识别方法。通过对风电机组齿轮箱振动信号进行小波变换,能有效地提取信号中关键特征,并利用这些特征进行故障诊断。结果表明,该方法能显著提高齿轮箱故障识别的准确率和可靠性,为风电机组的维护与优化提供了新技术途径。

基于模糊-TOPSIS法的风电机组齿轮箱维修策略优化研究

目前绝大多数风电机组齿轮箱维修方案都是根据工程经验或者相似产品的统计理论制定的,缺少风电机组齿轮箱维修方案优劣的对比,无法为其维修选择最合理的方案。TOPSIS法能够综合考虑各方面因素,依据设备运行状态,对设备维修方案进行评价优化,满足维修要求。为了解决方案决策者判断不精确的问题,并考虑设备数据搜集的困难性,将模糊集理论与TOPSIS法结合,将模糊集作为评估方法,将决策者的不确定性判断转换为模糊数,用模糊-TOPSIS法选取最适合风电机齿轮箱的维修策略。

风电机组齿轮箱早期故障预警方法研究

为实现风力发电机组等变工况机电设备的早期故障预警,研发了变工况齿轮箱状态监测系统。在基于该系统的多种变工况行星齿轮磨损实验研究基础上,提出了一种基于流形学习的早期故障预警方法。该方法首先研究采用完全总体经验模态分解与改进快速独立成分分析盲源分离技术,有利于对复杂振动信号的滤波与盲源分离;然后研究改进了局部线性嵌入流形学习方法,基于时域、频域信息融合提取了早期故障敏感特征;最后应用k-近邻分类器实现变工况齿轮箱早期故障预警。实验研究表明,该方法提高了早期故障预警准确率,能够应用于风电机组等变工况机电设备的安全保障及科学维护,具有广泛工程实用前景。

基于深度信念网络的风电机组齿轮箱故障诊断方法

针对风电机组故障诊断中存在的数据量大,提取故障特征困难等问题,结合深度学习理论的强大感知与自我学习能力,提出一种基于深度信念网络的风电机组齿轮箱故障诊断方法。将原始时域信号数据输入深度信念网络进行训练,通过反向微调学习对深度信念网络进行整体微调,提高分类准确性;同时,在训练过程加入Batch Normalization,减少过拟合几率,提高网络的收敛速度。将该方法用于风电机组行星齿轮箱的故障诊断,比DBN和BPNN算法及传统故障诊断方法的准确率更高。

应用倒频谱分析法对风力发电机组齿轮箱故障诊断

针对风力发电机组齿轮箱运行环境恶劣,故障信号中调制边频带复杂这一特点,采用基于倒频谱方法对故障特征进行了分析,提高了故障诊断的准确性,并给出了应用实例,为风力发电机组设备管理与诊断提供了一种有效的途径。

结合C-均值聚类的自适应共振神经网络在风电机组齿轮箱故障诊断中的应用

提出了一种结合C-均值聚类的自适应共振(Adaptive Resonance Theory 2,ART2)神经网络无监督学习分类方法,用于风电机组齿轮箱设备群的故障诊断.利用某风电场齿轮箱运行数据,采用ART2神经网络对样本数据进行初步分类,再采用C-均值聚类算法对神经网络分类结果进行修正,得到最终诊断结果,并与ART2神经网络分类结果进行了比较.结果表明:所提出的方法解决了原始神经网络算法存在"硬竞争"导致分类精度下降的问题,准确度高于传统的ART2神经网络,可以准确识别出故障齿轮箱.

时变工况的风电机组齿轮箱无转速计阶次跟踪方法研究

针对时变工况风电机组齿轮箱振动信号受噪声干扰和频率模糊问题,通过研究无转速下风电机组齿轮箱振动信号与转频波动规律间的联系,提出了基于VMD⁃SET时变工况的风电机组齿轮箱无转速计阶次跟踪方法。该方法利用变分模态分解(VMD)滤波,利用同步提取变换(SET)对齿轮箱振动信号时频分析,分别从轴承故障时域振动信号中初步提取故障特征频率趋势,从正常齿轮啮合调制时域振动信号中提取啮合频率时频脊线,进一步利用精细化时频脊线交叉解耦优化瞬时频率提取效果,再用提取的转速曲线对轴承故障振动信号进行阶次跟踪,从角域阶次谱中得到故障特征阶次的单根谱线。通过仿真及实验验证了所提方法的优越性和有效性。

基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法

为实现风电机组齿轮箱及时有效地监测和维护,提出基于小波包与倒频谱分析的风电机组齿轮箱齿轮裂纹诊断方法。该方法针对齿轮裂纹振动信号为转速频率对啮合频率及其倍频调制的特点,利用小波包分解来识别振动信号中的故障特征,通过小波包频带能量监测得到故障部位的啮合频率范围;考虑到倒频谱可以分离和提取难以识别的密集调制信号的周期成分,基于倒频谱识别故障部位的转速频率,综合利用两种频谱分析方法得到的啮合频率和转速频率,能诊断故障部位和类型。实验研究表明,该方法能精确地诊断齿轮裂纹故障,并可以实现对风电机组齿轮在复杂环境中退化状态的监测,预防断齿等重大故障的发生。

基于改进型HMM的风电机组齿轮箱故障预测

以风电机组齿轮箱轴承齿轮为研究对象,将隐马尔可夫模型(hidden Markov model,HMM)和优胜劣汰遗传算法相结合,对风电机组齿轮箱轴承齿轮的故障进行预测研究,并用实际监测的风电机组齿轮箱冲击数据进行故障预测验证。研究结果表明:该算法相对简单,结果不受模型初始值的影响,能收敛于全局最优,克服了HMM的Baum-Welch算法较复杂,结果受模型初始值的影响,易收敛于局部最优的缺点,为风电机组齿轮箱轴承齿轮故障预测的研究提供新的方法和思路。

基于CAE软件的风电机组齿轮疲劳寿命预测

在复杂多变的外界载荷作用下,风电机组齿轮的寿命难以准确预估是导致风电机组失效的一个重要因素。风电机组齿轮疲劳寿命准确预测对降低故障率有重要的意义。采用计算机辅助工程(CAE)技术来估计风电机组齿轮的疲劳寿命。通过刚柔耦合模型建立和疲劳分析得到风电机组齿轮疲劳寿命的分布情况和最危险点的寿命值,并与风电机组齿轮理论计算年限作比较,验证了改进方法的可行性,对风电机组的齿轮箱的设计和优化具有指导作用。