共查询到20条相似文献,搜索用时 500 毫秒
1.
提出了一种往复压缩机气阀的故障诊断方法.把往复压缩机气阀的振动信号作为识别故障的特征向量,送入RBF神经网络中,进行故障类别的自动识别.试验结果表明,该诊断模型对往复压缩机气阀故障诊断具有良好的诊断效果,系统不仅能够检测到往复压缩机气阀故障的存在,而且能够比较准确地识别往复压缩机气阀的故障模式. 相似文献
2.
3.
某公司火炬气压缩机组出现振动大、机械密封泄漏的情况,停车拆卸后发现螺杆压缩机阴阳转子之间出现摩擦刮痕,机械密封摩擦副磨损严重,动环销孔处出现裂纹;结合设备检测、压缩机组维修记录及流体仿真计算,文章对故障产生的原因进行了分析并对现有压缩机组进行改进,解决了螺杆压缩机振动大、密封失效的问题. 相似文献
4.
5.
6.
吴自明 《机械工程与自动化》2007,(1):131-133
提出了一种基于神经网络的转子振动故障诊断的新方法,该方法以大型机器的轴承振动裂度作为神经网络的训练样本输入,并通过神经网络的学习、聚类,产生神经网络聚类中心,根据网络聚类的特点以及聚类的中心来判断转子的振动特性和实质。实例验证表明,该方法可实现对转子系统振动故障的准确诊断。 相似文献
7.
8.
9.
10.
遗传优化算法在压缩机故障诊断中的应用 总被引:1,自引:0,他引:1
设计了一种模糊神经网络推理系统诊断汽车空调压缩机故障,并且应用遗传算法对系统进行优化及对BP网络算法进行改进。这种方法能够优化模糊系统的参数和结构。并且能删除无用的模糊规则。结果证明这种推理系统具有收敛速度快,泛化能力好、推广性强的特点,极大提高了汽车空调压缩机故障诊断的效率和准确性。 相似文献
11.
针对柴油发动机的充电发电机结构及振动的复杂性导致其转子振动故障具有多层次性、耦合性和随机性,以及故障信息不完整性等特点,提出了一种基于振动频谱分析和贝叶斯网络的转子振动故障诊断方法。该方法将故障源和故障现象根据专家经验数值化表示并离散化,运用改进的优化分簇算法,构建特定振动故障类型的贝叶斯诊断网络,利用贝叶斯网络推理算法诊断出故障概率分布,并利用具体的故障证据、设定值对该方法进行验证。仿真及实验结果表明,该方法能在故障信息不完整情况下,依据不完整证据信息更新各网络节点的概率状态,实现对不确定信息的推理和估计,得到较好的诊断结果,提高了转子振动故障的诊断准确度。 相似文献
12.
为了通过螺旋输送器转子系统的动力学特性来研究其工作性能,本文利用有限元软件ANSYS,建立了螺旋输送器转子系统的有限元模型,并进行了模态分析和谐响应分析,计算出转子系统的固有频率和振型,从绘制的Campbell图得出临界转速。研究了转子系统在不平衡激励之后可能产生的共振问题,同时绘制了共振位移与频率的关系图。结果表明,基于ANSYS软件的有限元分析方法方便、实用,对临界转速的分析可以作为避免共振的理论依据,第1阶临界转速时不同位置的共振情况分析为实现卧螺离心机的状态监测和故障诊断提供了参考。 相似文献
13.
旋转机械轴心轨迹信号的复数小波分析 总被引:1,自引:0,他引:1
提出了一种利用复数小波变换分析转子振动轴心轨迹信号的方法,通过分析小波尺度与振动倍频间的关系,使得观察某一尺度上的小波幅值就相当于考察一定频率范围的周期谱图,对典型非线性故障轴心轨迹信号的分析揭示出,摩擦故障时高频振动地时-频域上呈现出非均匀间歇现象,而轴裂纹时的高频振动是均匀间歇地出现,且周期与旋转基频相同,因此该方法可以直观地识别故障的细节性特征,有望形成一种新的、有效地监测诊断技术。 相似文献
14.
15.
16.
南昌钢铁厂轴流压缩机振动故障分析 总被引:3,自引:0,他引:3
介绍了南昌钢铁厂新安装的一台轴流压缩机机组振动测试的情况,深入分析了机组故障原因,制定了故障治理方案,实施后取得了良好效果。 相似文献
17.
《流体机械》2013,(12):10-15
整体齿轮增速式压缩机由于其结构紧凑、效率高而在现代流程工业中得到广泛的应用,然而由于该类型压缩机为多平行轴系结构,其轴承载荷随着压缩机负荷而发生变化,使得该类转子的动力学分析异常复杂。本文以某实际压缩机组为研究对象,建立了齿轮-轴承-转子的弯曲-扭转耦合系统有限元模型。首先对未耦合的单转子进行刚性支撑下的模态分析和弹性支撑下的不平衡响应分析,并同实测结果对比以确定分析结果的可靠性。在此基础上,研究并揭示了轴承载荷导致的刚度系数变化对转子临界转速和不平衡响应的影响规律,同时对比分析不平衡振动在各个转子之间的传递特性。研究结果表明转子振动幅值会随着压缩机负荷的增加而增加,而齿轮啮合刚度会增大转子振动对不平衡的敏感程度。本论文研究结果可为齿轮增速式离心压缩机的设计以及基于模型的压缩机故障诊断提供一定的理论参考。 相似文献
18.
Extracting features from original signals is a key procedure for traditional fault diagnosis of induction motors, as it directly influences the performance of fault recognition. However, high quality features need expert knowledge and human intervention. In this paper, a deep learning approach based on deep belief networks (DBN) is developed to learn features from frequency distribution of vibration signals with the purpose of characterizing working status of induction motors. It combines feature extraction procedure with classification task together to achieve automated and intelligent fault diagnosis. The DBN model is built by stacking multiple-units of restricted Boltzmann machine (RBM), and is trained using layer-by-layer pre-training algorithm. Compared with traditional diagnostic approaches where feature extraction is needed, the presented approach has the ability of learning hierarchical representations, which are suitable for fault classification, directly from frequency distribution of the measurement data. The structure of the DBN model is investigated as the scale and depth of the DBN architecture directly affect its classification performance. Experimental study conducted on a machine fault simulator verifies the effectiveness of the deep learning approach for fault diagnosis of induction motors. This research proposes an intelligent diagnosis method for induction motor which utilizes deep learning model to automatically learn features from sensor data and realize working status recognition. 相似文献
19.