考虑声-振模态结合的抽水蓄能机组轴承故障诊断

为解决抽水蓄能机组轴承磨损故障难以监测和识别的问题,提出一种结合声振数据的双模态神经网络机组轴承诊断模型。首先分析了抽水蓄能机组声振特性,融合相似软阈值对奇异值分解去噪方法进行改进,有效消除非接触式传感器固有噪声干扰。其次提出逆巴克频谱变换方法,并结合巴克频谱变换和格拉姆角和场变换等特征工程技术,提取机组轴承的声纹和振动特征图。通过融合相对位置编码的自注意力机制和深度可分离卷积,建立特征图传递网络。同时运用多头自注意力机制和双向长短期记忆网络搭建了时序数据传递网络,并以平行网格架构构建了机组轴承故障诊断模型。实验对比分析表明,所提方法具有较高的故障识别准确率,为抽水蓄能电站机组轴承监测问题提供了有效的解决途径。

基于IMF-MFDE和GRU的水电机组故障诊断

针对水电机组振动信号非平稳、非线性及强噪声的特点,提出了一种IMF多尺度波动散布熵(MFDE)结合门控循环单元(GRU)的故障诊断方法。首先,采用跳蛛优化算法(JSOA)寻找变分模态分解(VMD)最优参数,达到振动信号最佳分解降噪效果;其次,对分解得到的本征模态函数(IMF)进行重构,计算有效IMF的多尺度波动散布熵(MFDE)作为故障特征向量;最后,将特征向量输入GRU构建水电机组故障识别器。所提方法对实际水电站机组故障样本数据的故障识别率达97.83%,验证了该方法的有效性。

300 MW机组引风机电机振动故障诊断及动平衡试验

针对某300 MW机组引风机电机振动超标故障,对电机及引风机进行全面振动测试和分析,明确了引风机电机振动故障的原因,通过在电机风扇和电机与引风机的联轴器上加重,消除了电机振动故障,满足了设备的安全稳定运行需要,同时在两个加重面上加重的影响系数可为同类型转子动平衡试验提供经验。

大型离心压缩机组振动故障诊断与处理

随着工业化进程的加速,离心压缩机在石油化工、制冷空调、电力等领域中的应用日益广泛。作为关键的能量转换设备,离心压缩机的运行性能直接关系到生产效率和产品质量。长期的运行和不适当的维护可能导致机器的振动故障,这些故障可能源于结构设计、制造质量、操作条件等多种因素。因此,对离心压缩机的振动故障进行有效的诊断和处理,不仅可以提高设备的可靠性和寿命,还可以降低维护成本,提高生产效率和安全性。

汽轮机组汽流激振故障原因及分析

通过对近年来我国汽轮机组汽流激振故障案例进行整理,归纳分析了汽流激振事故原因,得出蒸汽激振力过大和轴瓦稳定性差这两个方面为汽流激振的主要原因.从发生部位、低频振动频率特征、低频振动振幅变化、与运行参数的关系以及其他相关特征几个方面分析了汽流激振的主要振动特征.根据分析结果,总结提出了汽流激振故障诊断的依据,并提出采用降低蒸汽激振力、提高轴瓦稳定性等主要措施预防汽流激振故障,为机组安全稳定运行提供技术参考.

振动监测技术在风电机组齿轮箱故障诊断中的应用

研发了针对风力发电机组传动齿轮箱的振动监测与故障诊断系统。该系统主要由本机监测系统、风电场集中监测诊断系统、远程监测诊断中心3层结构组成。本机监测系统完成机组传动系统各部件的状态监测数据的采集,并将数据传输到风电场集中监测诊断系统。风电场集中监测诊断系统主要进行数据存储、显示和分析诊断,并将数据通过互联网传输到远程监测诊断中心,实现风电场设备群的远程监控分析和精细故障诊断。给出该系统的应用实例,通过对比分析2台相同型号风电机组的齿轮箱振动信号,实现对出现异常状态机组的判断,保障风电机组设备的安全可靠运行。

水电机组振动故障的信息融合诊断与仿真研究

引起水电机组振动的原因复杂,目前主要是通过转速试验、负荷试验和励磁试验等试验手段来判别机组的振动故障。该文将多传感器信息融合方法引入水电机组振动故障诊断中,通过分析机组振动的频率特征,建立了振动故障的融合诊断识别框架,并模拟机组各部位的振动信号,采用小波分析和傅立叶变换进行预处理,提取信号的子带能量特征,应用信息融合方法进行了仿真诊断。结果表明,基于信息融合的故障诊断能充分利用机组各部位的信息,可以减少诊断的不确定性,从而有效地提高诊断的可靠性。

基于多分类相关向量机的水电机组振动故障诊断

水电机组振动故障成因与故障征兆之间呈复杂的非线性关系,传统方法难以描述。当前研究常采用模式识别方法,如支持向量机、神经网络等实现振动故障诊断。该文在现有研究基础上,引进相关向量机(relevance vector machine,RVM)对诊断过程进行改进。相比传统方法,该文所提方法在学习过程中参数设置简单,在输出结果时给出了分类的可靠性,适合实际工程应用。同时,该方法在决策过程中,能够根据训练数据分布情况,自动选取决策结构,进一步提高诊断的速度与准确性。将该文所提诊断方法用于水电机组振动故障诊断实例,取得良好效果,验证了算法的有效性。

基于PNN的水轮发电机组振动故障诊断

概率神经网络(PNN)是一种训练速度快、结构简洁明了、应用广泛的人工神经网络。它采用贝叶斯分类决策理论建立系统的数学模型,以高斯函数作为激励函数,具有非线性处理和抗干扰能力强等特点。提出基于PNN的水轮发电机组振动故障诊断方法,并在水轮发电机组振动频谱波形特征的基础上,对几种典型故障模式进行了实例研究。理论分析和实例结果验证了基于PNN的水轮发电机组振动故障诊断方法是正确和有效的。

基于最小二乘支持向量机和信息融合技术的水电机组振动故障诊断(英文)

应用最小二乘支持向量机和信息融合技术对水电机组的振动故障进行诊断。采用以水电机组振动信号的频域特征和时域振幅特征作为特征向量的学习样本,通过训练,使最小二乘支持向量机能够反映特征向量和故障类型的映射关系,在完成局部诊断后再实现决策信息融合,从而达到故障诊断的目的。以水电机组振动故障诊断为例,进行了应用检验。研究结果表明,与常规方法相比,最小二乘支持向量机和信息融合技术相结合的方法具有快速有效等优点,适合水电机组振动故障的诊断。

超超临界1000MW机组油膜涡动故障分析和处理

某电厂国产超超临界1 000MW汽轮发电机组在调试启动中发生强烈的低频油膜涡动故障,油膜涡动发生在中压3、4号可倾瓦轴承。通过对振动特征和安装数据的分析,判断机组增加顶轴油管等因素导致轴承自位能力和稳定性降低是引起油膜涡动的主要原因。通过修改顶轴油管道布置,并对4号轴承标高和顶隙进行调整,消除了机组油膜涡动故障。

引进型600MW发电机组轴系振动特征及处理

针对多台新投产600MW机组的振动特性进行分析和统计,特别是对于集电环小轴振动、低压缸结构共振、发电机振动爬升等问题的处理进行了详细论述,供同类型机组的调试和运行参考。

水电机组振动监测与故障诊断系统研究

介绍了振动在线监测与故障诊断系统 ,该系统能及时发现机组振动异常并报警 ,并且能对事故发生时刻的数据信息自动捕捉和存贮。同时基于专家知识 ,对机组故障进行诊断分析 。

基于小波包分析和支持向量机的水电机组振动故障诊断研究

提出了一种利用小波包分析提取水电机组的振动故障特征和基于支持向量机的水电机组振动故障诊断方法。以二值分类为基础,构建了基于支持向量机的多值分类器。先对水电机组的振动信号进行频谱分析,提取该信号在频率域的特征量,将频谱特征向量作为学习样本,通过训练,使分类器能够建立频谱特征向量和故障类型的映射关系,从而达到故障诊断的目的,并以水电机组振动多故障分类为例,进行了应用检验。结果表明,与常规方法相比,该方法简单有效、并具有很好的分类能力和良好的鲁棒性,可以满足在线故障诊断的要求,适合水电机组振动故障的诊断。该方法为水电机组故障诊断向智能化发展提供了新的途径。

大型汽轮发电机组低频振动故障案例研究与分析

大型电站机组低频振动故障是现场常见的故障,低频振动故障包括油膜涡动、油膜振荡、汽流激振、动静碰摩及大不平衡、随机振动和分数谐波振动,处理不当可能引起严重后果。通过对低频振动案例整理分析,总结了各低频振动故障发生情况;归纳总结了各低频振动故障原因,轴颈挠度过大和轴承的影响是油膜振荡故障的两大原因,汽流激振故障原因包括机组运行不当、不良结构状态和轴承3个方面的影响;并在低频振动频率、低频振动幅值、与运行参数的关系3个方面,对比分析油膜振荡和汽流激振故障特征,为同类故障诊断及处理提供参考信息。

600MW超临界机组轴系振动分析诊断及处理

介绍了两台近期投运的国产引进型600MW超临界机组发电机异常振动特征,分析认为其中一台发电机轴振过大的原因是前瓦支撑刚度不足和质量不平衡;另一台是发电机转子绕组匝间短路;分析同时认为,转子热弯曲也是造成振动异常的重要原因。根据诊断结果,对两台机组分别进行了动平衡、支承部件检修和抽转子返厂处理。两起故障案例可为同类机组类似故障的分析诊断处理提供参考。

基于自组织模糊神经网络的汽轮发电机组振动故障诊断系统

针对目前汽轮发电机组振动故障的模糊诊断系统精度较低的问题,将模糊理论与神经网络技术结合,构造了适合于大型复杂系统故障诊断的自组织模糊神经网络系统的体系结构。在此基础上,提出了一种新型的样本模糊自组织方式,利用快速傅里叶变换(FFT)分析方法和图形分析法提取足够多的故障征兆,再采用聚焦式模糊分段算法对故障征兆进行模糊化处理,然后建立合理的训练样本库,并将经过确认的故障数据增加到标准案例库中,以提高整个系统的诊断能力。其中, 聚焦式模糊分段算法对故障征兆中正常与不正常的转折部分进行非线性聚焦,即离正常与不正常的分界值越近时,故障征兆的特征抽取密度越大,使得原来模糊的分界部分被清晰化,大大提高了诊断精度。最后,以108DAI专用检测系统作为硬件支持,设计和实现了600 MW汽轮发电机组常见振动故障的模糊诊断系统,并利用现场故障数据验证了该系统的有效性。

QAPSO-BP算法及其在水电机组振动故障诊断中的应用

针对水电机组振动故障耦合因素多、故障模式复杂等问题,提出了一种基于量子自适应粒子群优化BP神经网络(QAPSO-BP)的故障诊断模型。在QAPSO-BP算法中,利用量子计算中的叠加态特性和概率表达特性,增加了种群的多样性;根据各粒子的位置与速度信息,实现惯性因子的自适应调节;为避免陷入局部最优,在算法中加入变异操作;并以此来训练BP神经网络,实现网络的参数优化,进而构建了机组的振动故障诊断模型。仿真实例表明,与粒子群优化BP网络(PSO-BP)法和BP网络法相比,该算法具有较高的诊断准确度,适用于水电机组振动故障的模式识别。

汽轮机组振动波形数据高效实时无损压缩算法

针对汽轮机组故障诊断系统中振动波形数据的形态特性，设计并实现了一套基于多次差分的压缩算法VWID．该算法先对原始波形进行多次差分以缩减其数据有效位，完成一次压缩．之后与通用压缩算法Zlib结合，对经过一次压缩后的数据流进行二次压缩，从而大大提高压缩比．针对汽轮机组等旋转机械振动波形数据的对比实验结果表明：以高压缩比著称的商用无损压缩软件Winrar压缩比为2．7～4．4，而VWID压缩算法压缩比达3．9～5．2，VWID-Zlib压缩算法压缩比可达5．3～6．4，同时具有无损压缩和实时高效的特点．

基于最小最大核K均值聚类算法的水电机组振动故障诊断

基于聚类分析的故障诊断方法能够按照故障样本之间的相似性无监督地将同类故障聚为一簇,当前已成为一类有效的故障诊断策略。为解决传统聚类算法受初始聚类中心的影响,易陷入局部最优解的问题,提出一种最小最大核K均值聚类方法。该方法在聚类过程中为簇内方差赋以与其大小成正比的自动修正的权重,并引入核函数技术以处理低维输入空间的线性不可分问题,大大提高了聚类的精确性。在标准数据上将所提方法与标准K-means及K-means++比较,显示了所提算法的有效性和优越性。基于这一聚类方法提出了一种具有自学习能力的故障诊断模型。将该诊断模型应用于水电机组振动故障诊断,实例验证了模型的可行性。