基于VMD-多尺度排列熵和SVM的船用空压机故障诊断方法

船用机械振动信号存在非线性、非平稳性问题,故障特征难提取,通过变分模态分解(variational mode decomposition,VMD)多尺度排列熵(multiscale permutation entropy,MPE)与支持向量机(support vector machine,SVM)融合的故障诊断方法,对振动信号进行研究。以空压机为例,首先,模拟6种空压机工况,对各工况的热工参数进行测试,分析各工况热工参数的变化程度,并对采集的振动信号进行频域分析。然后通过VMD对振动信号进行分解,得到一系列固有模态分量,计算与原始信号的互相关系数筛选敏感固有模态分量。最后计算出敏感固有模态分量的多尺度排列熵,将其作为特征向量,输入到SVM中,进行故障辨识。实验结果表明:VMD多尺度排列熵与SVM融合的空压机故障辨识方法,能有效地识别故障类型,整体准确率可保持在98.6667%,将此方法与其他方法进行对比,证明此方法有效。

EEMD能量熵和奇异值熵与SVM融合的船用空压机故障诊断

针对船用往复式二级空压机振动信号非线性、非平稳性问题,利用振动信号辨识故障,综合集成经验模态分解(ensemble empirical mode decomposition,EEMD)和支持向量机(support vector machine,SVM)的信号处理优势,提出一种将EEMD能量熵和奇异值熵与SVM融合的船用空压机故障诊断方法。模拟正常状态和4种故障状态进行故障诊断实验。采集的振动信号用小波降噪法进行处理。为模拟船用空压机实际工作环境,在EEMD处理过程中加入加性高斯白噪声(信噪比7.5 dB)。以相关性为评价指标选取各状态下本征模态函数(intrinsic mode function,IMF),并以每个IMF的能量熵和奇异值熵作为特征值,采用SVM分类器识别故障。实验表明:与基于经验模态分解(empirical mode decomposition,EMD)和SVM等故障诊断方法相比,该方法能更有效地识别故障。该方法在实船应用中获得较好的诊断效果,可为现代船舶智能故障诊断研究提供参考。

船用往复式空气压缩机油的发展

船用往复式空气压缩机的使用条件苛刻,对空气压缩机油的性能要求较高。简述了国内外船用往复式空气压缩机油的发展状况。

海洋大功率往复式压缩机噪声特性研究

针对海洋大功率往复式压缩机噪声强度大的问题,在设计阶段对某型号压缩机开展噪声特性研究,建立了海洋压缩机分析模型,采用Solidworks和ANSYS软件建立海洋压缩机的三维实体模型和有限元模型,计算压缩机所受载荷,并进行振动响应计算,最后采用LMS. Virtual. Lab建立边界元模型进行辐射声场计算,得出压缩机面声压云图和噪声频谱图,确定其辐射噪声较大位置及噪声显著频段。研究结果表明:海洋压缩机噪声显著频段在40~400 Hz内,峰值频率为125 Hz,整体呈现低频特性;在气缸处噪声值较大,确认其为主要噪声源;甲板的反射作用使得压缩机下方的辐射噪声普遍高于上方。在确定气缸为主要噪声源后,对海洋压缩机提出了具有针对性的降噪方法。研究结果可为海洋大功率往复式压缩机噪声控制和优化设计提供参考。