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。

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%。

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。

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。

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。

多尺度时空信息融合驱动的图神经网络故障诊断方法

行星齿轮箱作为机械系统中常见的减速装置,由于长期在强噪声环境和变工况工作条件下运行,导致采集到的振动信号故障特征微弱、信号模式多变难以识别,针对行星齿轮箱故障诊断效果不佳,泛化能力差的问题,提出一种多尺度时空信息融合驱动的图神经网络故障诊断方法来提高故障诊断模型准确率和泛化能力。该方法首先构建多尺度卷积核对原始时序信号进行不同尺度特征提取,削弱强噪声信号对有效信息的掩盖作用并增强故障特征的表达能力;然后再构造通道注意力机制,根据通道特征重要程度,给不同尺度卷积核提取的特征自适应分配不同权重,对含有关键故障特征的信息片段进行特征强化;最后对卷积输出的多尺度特征,构造空域下的图数据并通过图卷积网络聚合多尺度特征,从而有效利用数据的时序多维信息和空域结构关联信息,实现多尺度下时空域故障信息的深度融合,提高诊断的准确精度和模型的泛化性能。通过利用具有行星齿轮箱结构的风电装备故障数据集对所提方法进行验证,并与其他深度学习方法(第一层宽卷积核深度卷积神经网(WDCNN)、长短时记忆网络(LSTM)、残差网络(ResNet)、多尺度卷积神经网络(MSCNN))进行比较,结果表明:本研究提出的方法在跨负载和跨转速两种工况下的平均诊断准确率分别可以达到98.85%与91.29%,明显优于其他对比方法,验证了本研究提出的方法的强泛化性能和优越性。

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.

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。

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。

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。

基于加权的多无量纲指标信息融合故障诊断方法

针对传统D-S证据理论的组合规则存在高冲突问题,提出了一种改进加权的D-S证据理论,结合时域中的5种常用无量纲指标,对旋转机械进行了故障诊断。首先,由于不同的无量纲指标对故障的敏感程度不同,可将各无量纲指标自身固有的诊断可靠度作为证据的先验权重;其次,计算各证据间的证据距离,构建证据距离矩阵以及相似矩阵,获得各证据的后验权重。通过分析多级离心风机故障诊断实验平台的实验结果,发现采用复合权重的多无量纲指标信息融合方法的诊断结果可信度明显提高,并且高冲突证据的融合问题也能得到有效解决,证明了该方法的可行性和有效性。

基于经验模态分解的无量纲指标故障诊断定位

无量纲指标作为新的理论工具应用于故障诊断研究中,虽然取得了一定的进展,但在应用时没有考虑到其他噪声干扰信号的影响,对结果分析有一定的干扰.而经验模态分解(EMD)技术能够提取出振动数据的故障特征信号,针对无量纲指标分析数据时的噪声干扰,提出了基于EMD的无量纲指标处理算法.首先对采集到的振动数据做EMD,分解出的前几个固有模态函数(IMF)分量中包含了振动数据的故障特征,去除其他噪声干扰信号的影响;其次求出含有振动数据特征信号的IMF分量的无量纲指标值,做出其无量纲指标的特征范围值;最后进行故障诊断分析.将此算法应用于旋转机械的故障诊断实验中,通过实验验证了该方法的可行性和有效性.

旋转机械故障诊断技术及其发展趋势

针对旋转机械存在的各种复杂的故障问题,阐述了旋转机械故障诊断技术的种类、原理、特点和发展趋势,最后提出了旋转机械故障诊断有待进一步研究与探索的方向。

基于旋转机械滚动轴承的时域故障诊断方法

针对旋转机械滚动轴承的故障问题,本文提出了一种时域故障诊断方法。首先对滚动轴承的原始振动信号进行3层的小波包分解,并选取前4个小波系数进行重构,接着在时域分析上对每1个小波系数分别提取7个特征值,然后通过BP神经网络获得滚动轴承故障分类的结果。最终实验表明,该方法有效地解决了滚动轴承存在的故障问题,确保了旋转机械安全、可靠、稳定地运行。