旋转机械非平稳信号分析及故障诊断技术_禇东亮_9787563830312

汽轮机发电机组转子系统和轴承是旋转机械中广泛应用的关键部件，对其故障诊断技术的研究，能够尽量保障设备安全运行，减少经济损失和避免灾难性事故。但由于大多数旋转机械的故障信号，无法直体接现出机械设备的状态特征。本书通过对经验模态分解、局部均值分解、固有时间尺度分解、可变模式分解等方法的理论及其应用进行了深入的研究和分析,望这些研究成果能为解读机械设备故障信号提供一定的帮助。

作为旋转机械中广泛应用的关键部件，汽轮机发电机组转子系统和轴承的运行状态直接影响机械设备的性能甚至整个生产线的安全，深入开展汽轮机发电机组转子系统和轴承等旋转机械故障诊断技术的研究，对于保障设备安全运行、减少重大的经济损失和避免灾难性事故的发生具有十分重要的意义。然而，由于大多数旋转机械的故障信号是非线性、非平稳、时变信号的，导致机械设备的状态特征信息无法直接体现出来，因此，选用正确的信号分析方法来提取故障信号中的特征信息一直是一个研究热点。于是，研究学者提出了许多时频分析方法，如短时傅里叶变换 (Short Time Fourier Transform, STFT)、小波变换 (Wavelet Transform， WT)、维格纳-威尔分布 (Wigner-Ville Distribution， WVD) 等，但是这些时频分析方法都存在缺陷，因此迫切需要研究新的旋转机械故障诊断技术。本书对经验模态分解(Empirical Mode Decomposition， EMD)、局部均值分解 (Local Mean Decomposition， LMD)、固有时间尺度分解 (Intrinsic Time-scale Decomposition，ITD)、可变模式分解 (Variational Mode Decomposition，VMD) 方法的理论及其在旋转机械故障诊断中的应用进行了深入的研究。主要研究工作和成果如下：
第一，研究了改进果蝇算法 (Modified Fruit Fly Optimization Algorithm， MFFOA) 的支持向量机 (Support Vector Machine，SVM) 的参数优化方法，并建立了模式识别功能的MFFOA-SVM分类器新模型。首先，详细阐述了支持向量机和果蝇优化算法的理论研究，并对智能的果蝇优化算法进行了改进，使得该算法的局部搜索能力逐渐增强，能够提高觅食早期全局最优解的概率，避免陷入局部最优，觅食末期能够达到最大的搜索精度，从而实现全局搜索能力和局部寻优能力的平衡。其次,采用改进的果蝇优化算法优化支持向量机参数，建立了MFFOA-SVM模型，解决了传统选择参数方法的缺陷，提高了参数寻优的算法对机器学习的性能。
第二，针对EMD分解产生的模态混叠问题，引入了EEMD分解算法来消除模态混叠的影响。仿真结果表明，EEMD分解算法可以有效地抑制模态混叠现象的发生，提高了EMD算法的分解精度。本书提出了基于EEMD、改进果蝇算法优化和支持向量机参数的轴承故障诊断方法，该方法利用EEMD分解故障信号，选择基本模态函数(Intrinsic Mode Functions，IMF)的均方根值和重心频率作为特征向量。为了提高诊断精度，采用改进果蝇优化算法优化SVM参数，通过建立MFFOA-SVM模型，对所提取的实测信号的特征向量进行训练和测试，并将其与EMD、MFFOA-SVM诊断预测结果进行对比。实验结果表明，该方法提高了轴承故障诊断的正确率。
第三，研究了LMD、切片双谱和SVM轴承故障诊断方法。该方法利用LMD分解故障信号，选择其峭度值较大的乘积函数分量重构故障信号，做其切片双谱，进一步降低高斯噪声对故障特征频率的影响，提取切片双谱中轴承故障特征频率1X、2X和3X数值做归一化处理，得到一组特征向量。该方法利用支持向量机对所提取的实测信号的特征向量进行训练和测试，并将它们应用到轴承外圈点蚀、内圈点蚀和滚动体点蚀的故障诊断中。实验结果表明，该方法能够有效地提取出故障特征频率，并且对其故障类型做出准确判别。
第四，研究了基于改进固有时间尺度分解 (Modified Intrinsic Time-scale Decomposition, MITD)、改进果蝇算法优化支持向量机参数的转子故障诊断方法，该方法信号处理具有自适应性。该方法利用MITD分解故障信号，进行Teager能量算子解调后，选取各个内禀尺度分量 (Intrinsic Scale Component，ISC) 的特征向量。该方法采用改进果蝇优化算法优化SVM参数，通过建立的MFFOA-SVM模型，对所提取的实测信号的特征向量进行训练和测试，并将它们应用到转子不同的故障诊断中。实验结果表明，该方法可以有效地提取转子故障特征，实现转子的故障诊断。
第五，研究了VMD、改进果蝇算法优化支持向量机参数的转子故障诊断方法。该方法利用VMD分解故障信号，选择其能量、偏斜度和峭度作为特征向量，通过建立的MFFOA-SVM模型，对所提取的实测信号的特征向量进行训练和测试，并将它们应用到同一故障不同程度的转子诊断中。实验结果表明，该方法能够实现转子故障的有效辨识，并且与EMD、ITD诊断方法相比更具有优势。

你还可能感兴趣

我要评论