旋转机械故障的信号处理与诊断方法综述

水泵叶片等旋转机械的故障诊断主要采用振动法进行信号获取,通过在叶片上布置传感器获取振动信号并进行分析。目前广泛采用的方法是在设备大修或停机时在叶片上进行振动检测,而这样的检测方法不能实时获取设备运行情况,若在设备工作状态下叶片等机械发生故障,则会导致无法预计的损失。因此,对旋转机械实现长期有效的在线检测是未来故障信号获取方法研究的方向。以江苏省秦淮新河抽水站的轴流泵机组振动检测为例,提出了对设备在线检测的方法并对其优劣势进行了分析。     

基于电涡流传感器及虚拟仪器的旋转机械碰摩故障特征研究

针对旋转机械碰摩故障的特征,运用电涡流传感器和虚拟仪器采集转子碰摩振动状态信息,对转子碰摩振动信号的时域波形特征、碰摩振动时的轴心运动轨迹特征进行分析,同时应用LabVIEW软件对转子碰摩振动信号进行频谱分析,研究其故障特征,由此对旋转机械的碰摩故障进行识别和诊断。     

矿用旋转类机械故障自动监测及预警系统设计

为实现煤矿旋转机械故障自动监测、诊断和预警,减少无计划停机,提高机械维修效率,针对现有同类技术无法进行故障在线提取和自动识别等问题,设计一种矿用旋转类设备运行自动监测及预警系统。系统采用模块化功能设计,利用SO 2372-1974《设备振动标准》预设故障数据库,通过加速度传感器收集机械振动曲线,通过分析振动信号得到旋转机械运转情况下的振动参数,并与预设的故障数据库参数特征相对比,完成机械故障的自动监测。系统具有精细监测和粗略监测2种监测模式,利用互锁形式进行关联。转子-轴承旋转模拟实验结果表明:该系统可以对旋转机械故障进行早期的判断、实时监测和预警,系统可靠性高,操作简便。     

基于小波能量谱旋转机械振动信号的故障特征提取

旋转机械故障诊断的关键问题在于对振动故障信号的特征提取。利用小波能量谱分析方法能够发现不同分解层中的振动信号特征并分析出故障原因。基于小波能量谱方法能准确提取旋转机械的故障特征,尤其是对微弱故障信号,为正确判断故障提供了依据。实验验证了该方法在提取旋转机械振动故障信号方面的有效性和准确性。     

基于HHT的旋转机械转子振动故障诊断的方法研究

旋转机械运转时会产生振动。对振动情况的分析能够把握机械的运转情况。振动信号处理是对旋转机械振动信号分析的重要手段。希尔伯特黄变换越来越得到人们的重视。该方法是一种时频分析方法。相对于其他方法,该方法能够更好地处理非线性非平稳信号,具有较高的时域分辨率和频域分辨率。将该方法应用于旋转机械的故障诊断中,并与其他方法做对比。     

基于密度聚类的故障诊断 方法研究

应用时序分析的方法对振动信号进行建模,将求解出的模型参数作为提取的特征,进行了基于密度聚类(DBSCAN)的自动诊断。DBSCAN算法不需要人为确定分类的数量,且自动诊断的正确率要高于均值方法,该自动诊断方法无需计算旋转机械的转速、频率和故障信号,不需要用故障数据进行训练。因此,DBSCAN更易于实现旋转机械状态的自动在线监测。     

矿井提升机振动测试与故障诊断

采用振动测试的方法,通过信号的时域、频域和幅值域分析相结合,对矿井提升机进行了状态监测与故障诊断,测试分析结果与实际情况相吻合。该方法对其他大型旋转机械的振动测试具有一定的参考价值。     

基于BP-LSTM的旋转机械振动信号异常检测模型

旋转机械运行环境恶劣,振动信号易受外界干扰,因此实现振动状态的异常检测较为困难。神经网络技术能够从大量的振动数据中自动提取故障特征,相对于人工提取故障特征,工作量大为减少。结合长短时记忆(LSTM)网络对时间序列数据具有的超强感知与处理能力,提出一种用BP神经网络压缩输入数据维度从而提取故障特征、用LSTM网络进行异常检测的新方法。首先将实验台获取的振动数据划分为相同序列长度的数据样本并划分为不同的数据集,然后将数据样本进行预处理并搭建BP-LSTM网络,将建立的模型用于旋转机械振动信号异常检测。模拟仿真和实验结果表明:BP-LSTM网络模型对旋转机械运行状态的检测具有较高的精度和稳定性,该方法优于基于时域特征参数进行异常检测的支持向量机(SVM)、K近邻和LSTM等传统学习方法。     

SKF故障诊断系统在旋转机械故障诊断中的应用

针对选煤厂旋转机械故障问题,设计了SKF故障诊断系统。利用多个加速度传感器在旋转机械的主要振动部位采集信号,通过时域、频域、加速度包络谱等方式对信号处理,提取特征,再根据SKF故障诊断系统故障标准库与处理后的信号特征进行比对,获取当前的故障信息,并通过列举实例证实了SKF故障诊断系统的可靠性。     

对旋轴流风机旋转失速实验研究

分析了对旋轴流风机旋转失速的产生机理,通过对风机不同工况下进行实验,测试采集振动信号,分析振动信号特征,研究了旋转失速的产生过程,为对旋轴流风机设计提供了参考依据。     

基于频谱分析的主扇风机转子不平衡的故障诊断

转子不平衡是风机的常见故障,其振动信号与故障密切相关。针对其不平衡故障机理,分析了振动信号与故障机理的关系。采用Labview软件对风机运行期间的振动信号进行监测,得到不平衡振动信号的幅值与相位,进行特征参量提取,准确识别判断转子不平衡故障,从而为矿山风机的维修提供科学依据,以达到保障设备安全运行的目的。     

电动机故障的综合诊断

对电动机常见的断条故障、气隙偏心故障、轴承故障和转子不平衡故障,从机械和电气两方面进行诊断,介绍了它们的振动频谱特征和定子电流频谱特征。主要针对机械不平衡故障,对机械振动信号和定子电流信号进行了分析,探讨了电动机存在机械不平衡故障时,电流信号的频谱特征。     

基于虚拟仪器与傅氏变换的振动位移测量修正方法

根据振动加速度信号与位移信号之间的关系,提出了一种基于虚拟仪器与傅氏变换的振动位移测量修正方法。利用加速度传感器、信号调理设备、数据采集卡、PC机组成振动位移测量的硬件设备,利用图形化编程语言LabVIEW开发数据采集程序,并实现基于傅氏变换的振动位移测量修正方法。在转子试验台上完成实际转子系统的振动测试,利用该虚拟仪器系统完成信号的采集,并利用基于傅氏变换的振动位移测量修正方法完成振动加速度信号至位移信号的转换。与实测位移信号的对比结果证明了该方法的有效性。     

基于人工神经网络优化算法的故障诊断

应用神经网络优化算法,进行网络参数优化计算。为了考察神经网络的优化算法,对实验室的转子模型进行了振动测试,获取其振动信号,将信号经分析仪分析,获取不同测点的动态信息及其参数分布规律,用神经网络优化算法进行故障诊断分析。     

面向选煤厂振动设备监测的MEMS无线传感器振动节点设计

为监测选煤厂设备振动信号,设计了一种振动信号检测的MEMS无线传感器节点。该节点采用加速度传感器获取振动信号,进行了高速数据存储器设计;采用集成射频通信的CC2430模块,实现数据无线传输和模数转换处理;分析了节点低功耗设计方案;设计了电源和备用电源。最后给出了软件设计流程图。从整体上实现了对振动节点的硬件软件设计。该节点的实现为构建基于无线传感器网络的振动信号监测系统奠定了基础。     

副井振动信号处理的提升小波变换方法

高层结构受气象、地基沉陷等外界因素影响,会产生一系列的振动变形;为研究其振动特性,保障结构安全,须对其进行变形监测。利用GPS对高层结构进行变形监测时,得到的变形信号往往包含大量的无用信息,为准确把握结构体的变形信息,可以用提升小波变换的方法对信号进行处理。以皖北矿区某副井提升台为研究对象,将监测点设于振动台上,利用天宝R10对监测点进行监测试验,对得到的振动变形信号进行提升小波变换以初步降噪,然后对降噪后的信号进行小波分解。结果表明,GPS监测获取的振动信号中包含大量噪声,通过提升小波变换处理及小波分解之后,将噪声与振动信息分离开来,提取出了有效的结构振动信息,这对于实践中的GPS数据处理及形变信息提取工作具有着重要的参考价值。     

多级给水泵转子不平衡引起振动原因分析

通过日常点检对振动监测,分析多级给水泵产生振动的原因,根据实际检修经验,提出针对不同振动故障采取不同处理的方法.探讨多级给水泵转子不平衡引起振动所具有的特征,找到解决不平衡振动故障的捷径,以实现效益最大化.     

重介质旋流器运行状态振动监测和故障诊断方法研究

对旋流器的运行状态监测和故障诊断方法进行了研究,提出了采用加速度传感器监测旋流器堵塞状态的振动监测方法。通过现场试验,优化了加速度传感器的配置,研究分析了信号处理和特征提取方法的有效性。结果表明,通过振动信号的统计分析和频域分析,可以有效地提取旋流器的堵塞状态特征,进而预报旋流器的堵塞状态,为选煤厂的安全平稳运行创造条件。     

基于小波分析的矿用车柴油机振动信号去噪处理

矿用车柴油机振动信号进行去噪处理,对柴油机的运行状态监测和异常诊断具有重要的现实意义。以矿用车柴油机为实验研究对象,对4个不同测点进行时域分析和频域分析,得到最佳振动信号监测点;采用小波分层阈值去噪法,对柴油机振动信号进行分解和去噪处理。结果表明小波去噪的方法具有很好的去噪预处理效果,可以满足工程实际的需要。     

全矢谱技术在旋转机械起停车中的应用研究

全矢谱理论将2个单源信号合成复矢量信号来处理转子信息,反映转子在某截面内的真实振动情况。基于全矢谱理论,定义全矢幅频特性图和三维全矢瀑布图的概念。利用Benlty转子实验台进行数据采集。实验显示,全矢幅频特性图和三维全矢瀑布图作为机组起停车分析工具,比传统的幅频特性图和瀑布图,振动幅值更加准确明显,解决了原图谱两单源信号间幅值及临界转速相差较大的问题,有助于更准确的分析诊断,在机组起停车分析中具有较好实用性。