无量纲与SVM的石化机组旋转机械故障诊断方法

针对石化机组旋转机械故障信息存在非线性、重叠性等特点,提出一种无量纲与支持向量机(Support Vector Machine,SVM)的石化机组旋转机械故障诊断方法。首先对采集的振动信号进行分析并将其无量纲化;接着通过特征选择选取高价值与敏感性强的无量纲特征,降低分类模型复杂度并提高算法速度;最后通过选取合适的SVM分类模型进行分类诊断。结合具有无量纲特征的故障敏感性与SVM的非线性分类性进行诊断分类,并通过石化机组故障诊断实验平台进行验证,表明该方法相比于其他经典分类方法分类效果更好,分类正确率为99.1%,证明了方法的有效性。

一种新无量纲指标在石化装备故障诊断中的应用

在旋转机械故障诊断,尤其是复合故障诊断中,常用的五种无量纲指标会出现分类效果不佳的现象。因此,构建新的无量纲指标,来进一步提升无量纲免疫诊断器的复合故障诊断效果,是值得深入研究的一项重要课题。文章基于无量纲指标构建机理,尝试通过改变无量纲指标结构参数,形成新的无量纲指标。通过仿真机组试验验证,同旧的无量纲指标相比,构建的新无量纲指标对某些轴系故障具有更好的识别能力,是一种可行的无量纲指标构建方法之一。

高冲突证据下石化装备旋转机械故障诊断方法

针对证据理论应用在旋转机械故障诊断领域,当传感器获得的振动数据存在高冲突时,诊断的精度偏低的问题,提出了将基于向量余弦相似性度量证据冲突的方法与无量纲指标相结合的故障诊断模型。应用于旋转机械故障诊断实验中,诊断结果表明,大大降低了冲突证据对诊断结果的影响,有效地提高了故障诊断的正确率。

复杂装备轴承多重故障的线性判别分析与反向传播神经网络协作诊断方法

由于复杂装备运行工作环境恶劣,导致其轴承多重故障诊断的准确率不高,为此提出一种基于线性判别分析(LDA)与反向传播(BP)神经网络协作下复杂装备轴承数据驱动的多重故障诊断方法。将无量纲指标作为轴承多重故障数据的反映指标,利用LDA对轴承多重故障的无量纲指标数据进行线性映射降维处理;通过拉格朗日极值法获得最佳投影向量,沿着该方向将轴承多重故障数据投影到类别最易区分的方向;将经投影处理后的样本作为BP神经网络的输入样本,通过训练测试网络,实现轴承多重故障的预测分类。对某型装备大型旋转机械机组进行仿真实验,验证了所提方法能够有效对轴承多重故障进行降维映射,并且能较好地实现多重故障分类诊断,具有良好的有效性和实用性。

基于油液分析技术的石化挤压机减速箱故障诊断应用

文章以某石化公司挤压机YR7001减速箱齿轮故障分析为例,采用油液分析技术对其进行长期监测,建立油品理化指标和铁谱定量数据随运行时间变化曲线,并通过铁谱定性分析判断减速箱齿轮磨损故障原因及磨损状态变化趋势。通过分析,确定了该机组减速箱油品老化严重,造成了齿轮啮合区域润滑不良,导致齿轮出现严重的疲劳磨损、磨粒磨损和腐蚀磨损,存在点蚀现象,磨损严重部位为驱动轮靠近轴承端,并提出了相应的建议及今后监测措施。

基于主成分分析的多域特征融合轴承故障诊断

针对复杂工况下难以区分轴承故障状态的问题,提出一种基于主成分分析的多域特征融合轴承故障诊断方法。采集轴承振动加速度信号,提取轴承时域新量纲一化特征、频域幅值谱特征和时频域经验模态分解特征共13维特征用于完整表征轴承状态;利用主成分分析方法对所提取特征融合与降维,降低诊断模型复杂度与数据分析难度;最后,选择合适的卷积神经网络进行分类,通过石化机组故障诊断实验平台进行验证。结果表明:多域融合特征相对于单域特征诊断效果更好,卷积神经网络分类模型相对于其他经典分类模型诊断准确率更高,融合诊断分类方法整体诊断准确率达到86%。

基于数据增强与领域泛化的轴承跨域故障诊断

在实际故障诊断任务中,待诊断任务往往不可预知,现有的一些迁移学习方法在构建迁移模型时,大多只集中在单一数据来源的学习上,并且极大依赖于目标域数据的样本数量等。针对此问题,提出一种基于数据增强与领域泛化的故障诊断方法。提出一种将一维振动信号转换为二维特征指标灰度图的数据预处理方法;利用带有梯度惩罚的深度条件Wasserstein对抗网络对多源域数据进行数据增强;最后,采取多域对抗学习策略,缩小多域间的分布差异,从而实现各域的特征域自适应。在轴承数据集上对所提方法的有效性和可靠性进行了充分的实验验证。实验结果表明:所提方法具有较高的稳定性和泛化性能,并且诊断精度优于其他方法。

石化大型机组故障诊断综述

就机械故障诊断方法从解析模型、信号处理、知识和混合型四大类分别进行分析,阐述了这些方法的优缺点,并且介绍了广东省石化装备故障诊断实验室提出的基于无量指标的故障诊断方法,同时指出了故障诊断的发展方向。

基于EEMD与GWO-SVM的石化机组轴承故障诊断

针对石化机组轴承做故障分类时,传统支持向量机的分类性能受自身参数选择的影响识别准确率不高的问题,提出一种基于集合经验模态分解和改进支持向量机的石化机组轴承故障诊断。首先利用集合经验模态分解(ensemble empirical mode decomposition,EEMD)与样本熵(sample entropy,SE)对原始信号进行特征提取,采用灰狼算法优化支持向量机(gray wolf optimization algorithm support vector machine,GWO-SVM)的方法得到最优参数,构建石化机组轴承故障诊断模型。最后以实际石化机组数据集进行诊断分析,并通过与未优化的支持向量机和传统优化算法的支持向量机进行对比,表明该文所提方法的有效性和优越性。

基于PCA与BP相结合的石化机组故障诊断算法研究

针对石化装备中滚动轴承故障诊断中数据的复杂、离散、高维、噪音、冗余和不确定性与不稳定性等问题,利用PCA算法提取预处理后数据的特征向量以及特征值,并达到降维效果,剔除非主成分信息,通过计算数据的贡献率以及神经网络训练处理后的数据对比来实现滚动轴承故障诊断。实验结果表明,该方法能够有效地分辨出轴承的故障类型。

电力变压器故障的客观熵权识别及诊断方法

为了有效管理和监测电力变压器的健康状态,在对变压器油中溶解气体数据进行分析的基础上,建立了一种基于客观熵权的电力变压器故障信息模式识别及诊断模型。首先,在定义包含电力变压器故障模式全局信息的矩阵范式基础上,引入信息熵权理论构建故障特征信息的客观熵权精确量化模型;然后,基于距离和投影原则构建了故障模式判别准则函数,并通过准则函数对模式进行排序,运用综合排序结果进行故障测试模式分类,得到用于判断故障类型的基准类心向量;最后,运用基于类心欧氏距离的方式判别故障测试样本所属的类别,实现变压器故障的客观熵权识别及诊断。利用从某电力公司采集到的120组电力变压器油中溶解气体样本进行实例验证,结果表明,所提出的方法能克服传统的三比值故障诊断方法存在无编码以及边界编码模糊致误判的问题。

基于量纲一指标和极限学习机的滚动轴承故障诊断方法

时域中的量纲一指标因对故障敏感,被广泛运用于机械故障诊断中,但是目前量纲一指标在诊断过程中存在严重交叉问题,即量纲一指标对于不同故障状态在特征空间中存在混叠现象。为了解决这个问题,提出基于量纲一指标和极限学习机的滚动轴承故障识别方法,采用美国西储大学轴承数据中心网站公开发布的轴承探伤数据集,验证算法诊断效果。为了进一步验证算法的优越性,将该算法与BP神经网络、支持向量机(SVM)和GripsearchSVM3种算法进行比较,结果表明:基于量纲一指标和极限学习机的故障诊断方法能够提高滚动轴承故障诊断效率和分类准确率。

基于改进的无量纲指标信息融合故障诊断方法

针对无量纲指标信息的不确定会产生冲突证据的问题,提出一种基于改进证据理论的无量纲指标信息融合故障诊断方法.采用人工免疫算法构建原始证据;通过计算无量纲免疫检测器证据之间的相似度找出相似证据和冲突证据.保留相似证据,并利用可信度修正冲突证据,从而降低冲突证据对证据理论合成结果的影响.组合式旋转机械故障诊断试验验证本文方法有效.该方法能够明显提高故障诊断准确率.

滚动轴承复合故障的混合协同诊断方法

针对传统复合故障诊断方法存在故障难以完全分离的缺点,提出了滚动轴承复合故障的混合协同诊断方法。首先对观测信号的协方差矩阵进行奇异值分解,求出白化矩阵并对复合故障信号进行白化处理;然后,利用联合对角化方法对白化后的故障矩阵进行对角化变形,通过最小化对角化程度函数得到正交矩阵;最后,通过正交矩阵估计故障源信号矩阵,实现复合故障的分离;由于二阶盲辨识方法分离出的故障信号间存在无序性以及相似性,导致分离信号故障类型难以确定,因此将分离后的故障信号进行短时傅里叶变换,通过分离信号的时频谱图与原信号时频谱图进行比较,并根据趋势一致性确认所对应的故障类型。最终,以广东省石化装备故障诊断重点实验室的轴承数据进行实验论证,结果表明,二阶盲辨识协同短时傅里叶变换能有效将滚动轴承的复合故障信号分离出来,工程上具备可操作性和极大的应用价值。

基于证据推理的旋转机械故障诊断模型

针对实际工况运行下的旋转机械各故障对应的量纲一的指标的范围难以严格区分的问题,提出了一种基于量纲一的指标和证据推理(Evidence Reasoning,ER)的旋转机械融合故障诊断模型。该模型利用ER算法在处理概率不确定性、模糊不确定性及非线性融合等方面的优势,通过信息变换技术将输入信号变换成信度分布结构,应用解析ER算法对输入数据进行融合,最后通过一种简单的决策规则得到诊断结果。实证分析结果表明:该方法可以有效地提高旋转机械设备故障诊断的识别率。

离心泵转子的故障诊断与修复

通过对某实验室离心泵转子的诊断,检测出其存在故障问题,针对该转子的故障现象进行分析并制定了修复工艺方案。最终,不但消除了故障,而且修复结果完全符合工业安全生产的标准。

变分框架下多尺度熵相关优化的模态分解在故障诊断中的应用

针对变分框架下,一种新的模态分解——变分模态分解(Variational Mode Decomposition,VMD)的最优模态分量选择和关键参数辨识问题,借鉴折半查找的思想,提出应用多尺度熵相关系数和频域相关系数来改进VMD的上述关键环节,并通过轴承故障信号仿真研究其频域分解的数据特点,揭示其滤波本质;轴承故障信号仿真及工程应用的结果表明,相对于经验模态分解(Empirical Mode Decomposition,EMD)和总体平均经验模态分解(Ensemble Empirical Mode Decomposition,EEMD),改进后的VMD(IVMD)去噪效果更为明显,是一种有效的自适应频域模态分解方法,可更为准确地提取出微弱特征频率信息,实现轴承故障的正确识别。

基于GA优化SVM的滚动轴承故障诊断方法研究

在滚动轴承故障诊断研究中,常采用时域、频域或者时频域分析方法对振动监测数据进行故障诊断。时域中的无量纲指标因对故障敏感,而被广泛运用于机械故障诊断中,但目前无量纲指标在诊断过程中存在严重重叠问题,造成诊断准确率低。为了解决这个问题,研究了基于互无量纲指标和支持向量机(SVM)结合的滚动轴承故障诊断方法。针对SVM对参数依赖性强,且在参数选择上没有系统理论而导致欠学习或过学习的问题,提出了一种基于遗传算法优化支持向量机(GA-SVM)的滚动轴承故障诊断方法。利用遗传算法进化搜索原理,以预测的准确率作为适应值,对SVM参数进行寻优,从而得到较优的支持向量机分类模型。实验表明,基于互无量纲指标和GA-SVM算法的故障诊断方法能够准确地识别旋转机械滚动轴承的状态。

基于包络谱分析的滚动轴承故障声发射诊断研究

通过对内圈、外圈、滚子含有缺陷的滚动轴承进行不同转速条件下的声发射试验,采集宽频的声发射信号,运用小波分析方法把信号分解在不同频带,对低频信号进行重构,对比重构后的包络谱特征频带和理论故障特征频率,并进行误差分析。结果表明,在包络谱上可以找到理论的故障特征频率范围,说明包络谱分析法对滚动轴承故障声发射诊断是有效的。

基于自适应免疫检测器的变速器轴承故障诊断研究

针对变速器轴承振动信号不平稳、特征难以提取等问题,以对振动信号的幅值和频率的变化不敏感的5种无量纲参数为特征参数,将这5种特征参数分为自我模式和非我模式,并基于人工免疫原理设计了一种自适应免疫检测器来克服传统变速器轴承故障诊断方法的局限,重新定义了自适应变异和抑制阈。在变速器轴承实验台上,首先对变速器轴承6种状态下的振动加速度信息进行了测量;然后计算了这些振动信息的无量纲指标;再用所得到的5种无量纲特征参数训练免疫检测器,使之成为成熟检测器;最后采用训练好的成熟检测器对变速器轴承的故障状态进行了诊断。试验结果表明:利用自适应免疫检测器进行变速器轴承故障诊断是可行的,而且该检测器具有较强的故障识别能力。