Fault Diagnosis of Reciprocating Compressors Valve Based on Cyclostationary Method

The relationship between second-order cyclostationary method and time-frequency distribution is studied, and cyclic autocorrelation（CA） function is indicated to be one sort of special time-frequency distribution method. Furthermore, a fault diagnosis method for reciprocating compressors based on empirical mode decomposition （EMD） and CA function is proposed, and then it is applied to the fault diagnosis of reciprocating compressor valve. Firstly, the vibration signal of reciprocating compressor valve is decomposed by using ENID method, and several intrinsic mode functions （IMFs） are obtained. Secondly, the IMFs are evaluated by some denoising criterions to remove the noise and interfering ones. Finally, the CA functions of the remained IMFs are calculated, which will be used to reconstruct the CA function of the original vibration signal. Engineering application indicates that this method can sufficiently inhibit the cross-interference items of CA function. Therefore, more explicit working conditions of reciprocating compressor components can be achieved.

基于GMPE和GWO-MKELM算法的往复压缩机轴承故障诊断

针对往复压缩机内部结构复杂,轴承间隙故障特征提取困难和识别准确率不高等问题,提出了多尺度排列熵和多核极限学习机混合算法的智能诊断新方法。首先,针对多尺度排列熵在多尺度过程中,利用均值粗粒化的方式在一定程度上“中和”了原始信号的动力学突变行为,降低了熵值分析的准确性,提出了一种广义多尺度排列熵算法;然后,为解决核极限学习机处理复杂数据样本分类存在的局限性,将高斯核函数、多项式核函数和感知器核函数进行线性叠加,构建混合核函数,提出了多核极限学习机模型。仿真实验结果表明,该故障诊断方法识别准确率高达98%,高效地实现了轴承不同种类故障的智能诊断。

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。

基于DE-VMD和GMDE的往复压缩机轴承间隙故障诊断方法

针对往复压缩机轴承间隙故障特征提取困难、识别准确率不高等问题,提出了差分进化算法优化变分模态分解方法和广义多尺度散布熵相结合的往复压缩机间隙故障诊断方法。首先,采用差分进化算法对变分模态分解算法的两个核心参数进行了优化,并利用优化后的变分模态分解方法对轴承间隙振动信号进行了信号分解和重构处理;然后,研究了多尺度散布熵的粗粒化过程,通过将方差粗粒化代替均值粗粒化,进行了多尺度处理,构建了广义多尺度散布熵算法,利用广义多尺度散布熵算法对重构信号进行了故障特征提取分析;最后,设计了核极限学习机模型对故障特征向量集进行了分类识别,完成了往复压缩机轴承间隙不同故障状态的智能诊断研究。研究结果表明,该故障诊断方法的识别准确率高达97%,高效地实现了轴承不同种类故障的智能诊断目的。

基于MFO-VMD和GMFE的往复压缩机轴承间隙故障诊断方法

基于往复压缩机轴承间隙故障呈现非线性、非稳定性和特征耦合的特点,本文提出了飞蛾捕焰优化算法(MFO)优化变分模态分解方法(VMD)和广义多尺度模糊熵(GMFE)的往复压缩机轴承间隙故障诊断新方法。首先,利用MFO对VMD的模态数k和惩罚因子α两个参数进行优化,得到最佳参数组合[k,α],从而利用优化后的VMD对轴承间隙振动信号进行信号分解处理,并进行振动信号的重构分析;然后,采用GMFE熵值算法对重构信号进行故障特征提取研究,从而得到所需的故障特征向量集;最后将提取的故障特征向量集输入智能分类算法支持向量机中进行故障的分类诊断研究。研究结果表明,本文提出的往复压缩机轴承间隙故障诊断方法有效地提高诊断的准确率,具有较好的故障特征提取优越性。

融合趋势评估VMD和MSSE_(2D)的往复压缩机故障诊断方法

针对在强噪声干扰环境下提取往复压缩机故障特征以及VMD算法参数设置对先验知识的过度依赖的问题,提出了融合趋势评估VMD算法和MSSE_(2D)的往复压缩机故障诊断方法。本文选取往复压缩机的气阀故障数据作为研究对象,首先通过应用经过频谱趋势评估优化的VMD技术对信号进行深入分析与处理,然后使用MSSE_(2D)进行分析计算,最后使用支持向量机进行验证测试,实验结果表明此方法相较于其他方法可以有效提取往复压缩机气阀故障特征,能够快速的对气阀各种状态进行精确的诊断与区分。

基于EMATE和POA-ELM的声音信号故障诊断方法

常规的工程机械故障诊断方法一般需对振动信号进行分析,但采集振动信号时需要使振动传感器与工程机械相接触,在某些情况下工程机械表面不适合安装传感器,如设备的温度较高或者传感器的安装空间有限。针对这些问题,以声音信号作为故障诊断对象,提出了一种基于增强多尺度注意熵(EMATE)和鹈鹕优化算法优化极限学习机(POA-ELM)的工程机械故障诊断方法。首先,利用声音传感器采集了工程机械不同故障的声音信号,避免了振动传感器存在的接触式采集缺陷;然后,利用EMATE提取了声音信号中的故障信息,建立了表征工程机械不同故障状态的特征向量;接着,鉴于ELM的参数需要优化的问题,采用POA对ELM的关键参数进行了寻优,建立了参数自适应设置的ELM分类模型;最后,利用POA-ELM分类器对故障特征进行了辨识,实现了工程机械的故障识别,并利用往复压缩机和滚动轴承的声音信号数据集对基于EMATE-POA-ELM的故障诊断方法的有效性进行了验证。研究结果表明:将EMATE方法作为故障特征提取指标能够取得100%和99.23%的识别准确率,且特征提取的时间仅为53.88 s和172.47 s;与多尺度注意熵、复合多尺度注意熵、时移多尺度注意熵等指标相比,EMATE的平均故障识别准确率更高,并具有更好的综合性能。

加氢装置往复式压缩机状态监测与故障诊断

为了保障加氢装置中往复式压缩机的安全可靠运行,主要是对其状态监测技术进行系统分析,在此基础上,对其故障诊断技术进行全面研究,为及时发现加氢装置往复式压缩机运行故障问题并进行及时处理奠定基础。

基于MOMEDA与LMD的往复压缩机活塞杆沉降信号故障特征提取方法研究

针对传统经验模态分解(EMD)等方法在当前往复压缩机活塞杆故障诊断中故障特征提取能力不足的问题,本文通过电涡流传感器获得往复压缩机活塞杆的沉降信号,利用多点最优最小熵解卷积算法(MOMEDA)对信号周期进行自适应调整去干扰处理,再对其进行局部均值分解(LMD),得到信号所对应的多个乘积函数(PF)分量的特征参数因子,包括偏度系数gi、峭度系数qi和总能量比Ei/E。对比活塞杆正常和故障状态(支撑环磨损、紧固元件松动和早期裂纹)下的特征参数变化,结果显示:在活塞杆支撑环磨损情况下,g1和q3的值将分别达到-0.02和1.60,与正常值相差3~5倍;活塞杆紧固原件松动情况下,g1,g3,q1,q3均会出现大幅度偏差,甚至呈现出超过正常值10倍以上的差距;活塞杆早期裂纹情况下,低阶分量g4和q4会出现一些变化,分别达到-1.30和1.60;MOMEDA与LMD相结合的方法,能够准确、有效地对往复压缩机活塞杆沉降信号进行判断,相比于传统的EMD信号分析方法,该方法在活塞杆故障诊断领域展现出更高的实用性。

基于故障树分析的透平压缩机故障预测与诊断

透平压缩机是工业生产中的关键设备,其发生故障可能会导致严重的经济损失和安全隐患。因此,提出一种基于故障树分析的透平压缩机故障预测与诊断方案。首先,分析透平压缩机的主要故障类型及特征,阐述故障树分析的基本原理;其次,设计基于故障树分析的透平压缩机故障预测与诊断方案,包括构建故障树模型、计算故障概率以及制定诊断决策;最后,通过实验验证该方案在故障预测和诊断方面的性能。实验结果表明,所提方案在故障预测准确率、预警时间、诊断准确率等方面均优于传统方法,能有效提高透平压缩机故障预测与诊断的效率和精度。

改进二叉树支持向量机及其故障诊断方法研究

针对层次结构对二叉树支持向量机分类性能影响较大的问题,提出了一种改进的二叉树支持向量机层次结构构建方法。以类内样本平均距离和类间样本平均距离建立带权值的可分性测度,将类间距离大且类内样本分布广的类最先分离,并提出了权值选取准则和算法步骤。利用标准数据集,通过与不同多类算法比较,验证了改进的二叉树支持向量机的优越性。以往复压缩机传动机构为研究对象,基于多重分形和奇异值分解提取故障特征,应用改进的二叉树支持向量机实现了常见故障的准确诊断。

基于非线性复杂测度的往复压缩机故障诊断

往复压缩机以多源非线性冲击振动信号为主,应用传统方法难以从振动信号中提取故障特征,为此提出一种基于非线性复杂测度的往复压缩机故障诊断方法。以气阀正常、阀片有缺口、阀片断裂及弹簧损坏4种状态下往复压缩机气阀振动信号为分析数据,在小波阈值降噪处理的基础上,采用均值符号化方法计算信号的归一化Lempel-Ziv复杂度(Lempel-Zivcomplexity,LZC)指标,分别给出各状态相应的LZC特征区间,利用BP人工神经网络对各状态信号的有效值特征、功率谱能量特征及LZC特征分别进行训练和测试,结果表明LZC更能准确区分不同状态的往复压缩机气阀故障,为往复压缩机故障诊断和维修决策提供了一种有效方法。

基于EMD信息熵和支持向量机的往复压缩机轴承故障诊断

往复压缩机工况恶劣、结构复杂、易损件多等特点,增加了压缩机故障诊断难度。将EMD信息熵和支持向量机(SVM)技术相结合,应用于压缩机轴承故障诊断。通过EMD对压缩机轴承信号进行分解,计算其信息熵值,并提取出能反映轴承工作状态的信息熵,将其作为特征向量训练SVM网络。结果表明,EMD信息熵和支持向量机相结合的方法,可以准确识别压缩机轴承故障。

基于模糊聚类的油田往复压缩机气阀故障诊断研究

往复压缩机气阀是整个机体中故障率最高的部件,针对其故障模式复杂、难以辨识的特点,选取与气阀运行状态密切相关的6个振动参数作为特征参数,采用模糊聚类方法对气阀故障和运行状态进行评判。用现场实际采集的20个样本进行模糊聚类分析,求出故障特征,并与频谱分析和现场实际情况进行比较,聚类结果与实际情况相吻合,证明此方法应用于运行状态评判和挖掘故障特征是有效的。

利用声发射的往复空压机环状阀泄漏故障诊断试验

利用声发射信号对往复空压机气阀进行了故障诊断,并以某往复空压机的排气阀为例,结合有效电压和能量对气阀漏气、阀片裂纹、阀片断裂及阀片变形等故障进行了测量,从而获得了故障特征信号.研究结果表明:随转角变化的声发射信号包络波形能体现排气阀启、闭的特征位置,气阀漏气、阀片变形及断裂等会导致气阀启、闭特征位置发生变化;根据启、闭特征位置偏离度及相应的有效电压和能量,可以判断气阀故障的严重程度;声发射包络波形平均幅值及相应的有效电压和能量,可以体现气阀漏气、阀片变形及断裂等故障.通过试验结果还发现,阀片裂纹不能通过声发射信号来识别.

往复式压缩机气缸压力模拟曲线提取

提出了一种基于振动信号分析的往复式压缩机故障诊断方法。应用频域能量准则判定汽缸压力变化引起的振动响应信号所处频带,构造梳状滤波器提取出响应信号,对得到的相应信号进行包络分析,得到的包络曲线体现了气缸压力的变化趋势,可应用该曲线绘制模拟示功图对往复式压缩机故障进行诊断。对工程信号的分析表明,该方法不仅可以区分出压缩机正常与故障状态,还可以区分出不同的故障类型,具有较好的工程应用价值。

往复压缩机气阀故障混合诊断方法研究

由于往复压缩机气阀振动信号呈现强非线性和非平稳性特点,目前应用较好的三次样条EEMD(S-EEMD)方法仍然存在模态混叠及包络不准确问题。针对此情况提出一种基于四次Hermite插值EEMD(QH-EEMD)与功率谱熵(PSE)相结合的分析方法。结合四次Hermite插值保形性、可调性与EEMD提高信号在不同分解尺度上连续性的优点改善插值曲线的逼近精度,减少模态混叠,通过对振动信号进行分解,得到IMF分量。通过与S-EEMD-PSE(S-EEMD结合PSE)算法、QH-EEMD-SE(S-EEMD结合样本熵)算法比较,验证了QH-EEMD-PSE(QH-EEMD结合PSE)方法的优越性。以往复压缩机常见故障为研究对象,基于QH-EEMD-PSE方法提取故障特征实现了常见故障的准确诊断。

运用小波包变换与能量算子的气阀故障特征提取

针对目前往复压缩机气阀故障诊断中存在的问题,提出了基于小波包变换与能量算子相结合的包络解调技术对其振动信号进行包络分析,解决了对信号包络解调前需要人为确定载波带对信号进行带通滤波的问题。并将其用于往复压缩机气阀的故障诊断,实例数据的分析表明,把包络信号的歪度值和峭度值作为特征指标较好地区分了气阀的不同故障,并且表现出抑噪特性。

有理Hermite插值局部均值分解方法及其往复压缩机故障诊断应用

针对往复压缩机振动信号的强非平稳特性,提出了一种基于有理Hermite插值的局部均值分解(Local mean decomposition,LMD)方法。结合有理Hermite插值法的保形特性和曲线形状随参数可调特性,以其构建极值点间局部包络曲线。提出以极值对称点为依据的局部包络线优选方法,进而提高局部均值与包络估计的拟合逼近精度。给出了有理Hermite插值LMD方法的算法与流程。利用仿真数据,通过与不同插值方法比较,验证了有理Hermite插值LMD方法拟合逼近性能的优越性。以往复压缩机轴承故障振动信号为研究对象,应用有理Hermite插值LMD方法实现了轴承间隙大故障的准确诊断,验证了该方法对强非平稳信号的适用性。

基于MLE阈值规则的小波特征提取技术在气阀故障诊断中的应用

气阀故障是往复压缩机最常见的故障类型之一,占故障总数的60%以上,如果不及时发现并解决,往复压缩机的压缩效率将大大降低。针对目前往复压缩机气阀故障诊断中存在的问题,结合小波降噪技术,提出了采用基于最大似然估计(MLE:Maximum Likelihood Estimation)阈值规则对气阀早期故障弱冲击变化信号进行特征提取的方法,实现了气阀故障的早期预警。