混沌分形理论在往复压缩机气阀故障诊断中的应用

提出用关联维数来定量描述往复压缩机气阀的工作状态,进而对气阀进行故障诊断.首先采用基于经验模态分解和奇异谱分析的基本思想,对气阀不同状态下的信号进行降躁处理,然后计算了信号的关联维数.分析结果表明,气阀不同运行状况对应的关联维数明显不同,因此可以用关联维数作为气阀不同工作状态的特征参数,从而提高了设备故障诊断的准确率.     

基于非线性复杂测度的往复压缩机故障诊断

往复压缩机以多源非线性冲击振动信号为主,应用传统方法难以从振动信号中提取故障特征,为此提出一种基于非线性复杂测度的往复压缩机故障诊断方法。以气阀正常、阀片有缺口、阀片断裂及弹簧损坏4种状态下往复压缩机气阀振动信号为分析数据,在小波阈值降噪处理的基础上,采用均值符号化方法计算信号的归一化Lempel-Ziv复杂度(Lempel-Zivcomplexity,LZC)指标,分别给出各状态相应的LZC特征区间,利用BP人工神经网络对各状态信号的有效值特征、功率谱能量特征及LZC特征分别进行训练和测试,结果表明LZC更能准确区分不同状态的往复压缩机气阀故障,为往复压缩机故障诊断和维修决策提供了一种有效方法。     

基于VMD和改进多尺度熵的往复压缩机气阀故障诊断方法

针对往复压缩机气阀振动信号具有非平稳性、非线性和多分量耦合特性,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和改进多尺度熵的往复压缩机气阀故障诊断方法。利用VMD方法分解振动信号,并根据互相关系数法选取主要模态分量进行信号重构,可有效的消除噪声干扰;应用改进多尺度熵对重构信号进行量化分析,获得各振动信号的特征向量,并以极限学习机(Extreme Learning Machine,ELM)为故障分类器对往复压缩机气阀的4种状态实测信号进行分类识别。研究结果表明:该方法能够比较准确地提取出往复压缩机气阀故障信息,可实现往复压缩机气阀故障的正确识别。     

往复压缩机多重分形故障特征提取

实现了基于多重分形的往复压缩机振动信号的故障特征提取。针对往复压缩机振动信号的非线性和非平稳性,使用多重分形谱和广义维数对压缩机振动信号进行分析,从中提取可识别的故障特征。分析结果发现多重分形谱中的△α值和广义维数Dq作为故障特征能够很好地反映往复压缩机的工作状态,为往复压缩机的故障特征识别提供了必要依据。     

关联维数在往复压缩机气阀故障诊断中的应用

针对传统方法难以有效进行往复压缩机气阀故障诊断的现状，提出了应用关联维数对往复压缩机气阀故障进行诊断的新方法。通过对气阀常见故障类型的诊断，表明了关联维数可以有效地分析出往复压缩机气阀的常见故障。     

基于LMD多尺度熵和LSSVM的往复压缩机故障诊断方法研究

针对往复压缩机振动信号的非线性和非平稳多源冲击性,提出一种基于局部均值分解(LMD)、多尺度熵(MSE)和最小二乘支持向量机的诊断方法。首先,利用LMD将不同状态振动信号分解为一系列乘积函数(PF)分量,然后根据各PF分量与原信号的互信息值,选择相关性较大且包含故障状态主要信息分量,计算其相应的多尺度熵值,并构造能够定量描述往复压缩机状态的特征向量,最后利用LSSVM作为模式分类器,对上述不同状态下的特征向量样本进行训练和识别,诊断得出往复压缩机气阀故障类型。进一步与小波多尺度熵、EMD多尺度熵方法所提取特征向量识别结果进行对比,结果表明:该方法具有更高的识别率,为往复压缩机故障诊断提供了一种新途径。     

往复压缩机环状气阀振动信号的LMD故障特征 提取方法研究

以往复压缩机环状气阀为研究对象,通过加速度振动传感器测试了其正常运行状态下的振动信号,通过对其进行局部均值分解(LMD),得出了信号所对应的多个乘积函数(PF)分量,并提取这些PF分量的3大特征参数因子,包括偏度系数(g_i)、峭度系数(q_i)和总能量比(E_(i )/E)。然后对气阀进行不同种类的破坏,包括锯断阀片、去除气阀内部分弹簧和对阀片打孔,并对破坏后的气阀运行振动信号进行相同的分析得出相应的参数因子,与气阀正常运行时对应参数因子进行比较。结果显示,在阀片锯断和气阀去弹簧2种状态下,气阀振动信号得出的相应特征参数因子都会出现反映气阀故障的异常值,但在气阀阀片打孔的状态下则不明显。以上说明LMD方法虽然具有一定的局限性,但是能够准确、有效地对往复压缩机气阀振动信号进行判断,从而实现对气阀的工作状态和故障类型进行分类,是研究气阀故障诊断的实用方法。     

基于声发射和关联维数的空气压缩机故障诊断技术研究

针对空气压缩机的结构复杂、振动激励源众多、故障诊断与状态检测难度大的问题,提出一种空气压缩机声发射信号的关联维数故障诊断方法.在分析关联维数计算的参数选择基础上,采用奇异值分析的嵌入维数计算法和平均位移的延迟时间计算法等获取声发射信号的关联维数.利用现场往复式压缩机模拟吸气阀座松动、吸气阀弹簧片变形、吸气阀弹簧片失效、阀片变形和阀片失效等五种典型故障.声发射信号的关联维数计算分析结果表明,设计方法能有效诊断压缩机气阀的故障模式.     

基于多重分形的往复压缩机分级诊断研究

应用多重分形理论实现了往复压缩机振动信号的故障特征提取。广义维数Dq作为故障特征参数能够很好地反映往复压缩机的工作状态。广义维数谱中Dq的最大值与最小值之差△Dq反应了振动信号波动的大小,通过比较压缩机两级正常与故障状态下的△Dq之差,可以评定哪一级出现了故障,实现往复压缩机运行状态的分级诊断。对多种故障类型的大量数据分析验证了此方法的有效性。     

往复压缩机气阀故障分析及诊断实例

往复压缩机绝大多数的故障发生在气阀上,分析其气阀故障机理以及工程上气阀故障诊断常依据的信号;基于温度、振动信号分析某石化企业往复压缩机气阀阀片断裂故障.     

往复压缩机气阀故障模拟实验与诊断研究

气阀是往复压缩机最易发生故障的部件。本文在分析气阀故障原理的基础上,首次在大型往复压缩机实验平台上对吸气阀、排气阀进行了一系列破坏性实验,对现场机组气阀的各类故障情况进行了真实模拟,最大限度地保证采集到的振动及温度信号与实际机组的故障信号相符合,利用BH5000R在线监测诊断系统对故障特征进行了识别和分析,结果表明,该方法能够有效识别往复压缩机气阀的故障特征。     

基于小波包与关联维数的阀片故障诊断

结合了小波包降噪和关联维数对某往复压缩机阀片故障做了定量识别。实测阀片在正常和磨损两种工况下的振动信号,用小波包对信号进行降噪处理后,用改进的关联维数算法分别计算两个信号的关联维数。实例表明:小波包降噪能明显地滤除噪声,阀片在正常和磨损两种工况下的关联维数明显不同,关联维数可作为阀片故障特征的定量提取。     

基于RBF神经网络的往复压缩机气阀故障诊断

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.     

基于神经网络的往复压缩机气阀故障诊断方法

建立在2D12型往复压缩机气阀故障的大量实验基础上,通过对气阀振动信号的工作局部特征提取,同时根据气阀故障的统计特性,给出气阀故障诊断的自组织映射神经网络的诊断方法。     

往复压缩机环状气阀故障试验研究

往复压缩机结构复杂,故障种类繁多,而其中气阀故障的比例占到36%。本文研究了往复压缩机气阀故障,对环状排气阀三环阀片进行了故障模拟试验,通过对热力信号、示功图以及振动信号等进行分析,找出了其故障特征信号与正常工况下的差异性,以此探索敏感特征参数变化规律与气阀发生故障时的关联性。     

基于示功图几何性质与神经网络的往复压缩机气阀故障诊断

示功图是判别往复压缩机气缸部分工作性能和运行状况的重要依据,与机体表面振动分析方法相比,其特征机理明确,能够从更深层次上诊断往复压缩机故障。针对往复压缩机示功图的特征提取问题,提出一种基于平面图形几何性质的示功图特征定量描述方法,为了验证所提方法的有效性,分别提取了往复压缩机气阀4种常见状态下示功图的几何性质参数和振动信号的时域统计指标作为特征向量,利用BP神经网络作为分类器进行训练和测试的对比分析。结果表明,所提方法对气阀故障的识别率达到了100%,因此该方法能够有效提取往复压缩机的异常特征,可以提高往复压缩机气缸部分在线状态监测与故障诊断的准确率。     

往复压缩机气阀故障试验模拟与振动信号分析

往复压缩机用气阀由于其高频开闭工作状态不可避免地受到强烈冲击,阀片常出现磨损、断裂等故障。以往复压缩机阀片断裂故障为研究对象,通过故障模拟试验获得在线监测数据,提出了一种基于Teager能量算子的局部冲击能量特征提取与分析方法;故障模拟试验数据分析结果表明,当气阀发生阀片断裂时,气阀开闭的局部振动能量显著降低。提出的方法能够突出气阀冲击变化特征,对气阀阀片故障分析诊断取得了较好的效果。     

振动冲击监测在往复压缩机在线监测系统中的应用

在总结国内外振动冲击检测技术的基础上,提出利用往复压缩机在线监测系统采集的加速度振动信号,使用软件方法计算振动冲击次数。通过经验模式分解方法(EMD)将加速度信号进行分解,对其各个IMF分量进行分析,研究其特征信息,给出振动冲击监测气阀故障的应用实例。     

融合动态压力角域特征与多源信号的压缩机气阀故障诊断方法

针对不同故障下往复压缩机气缸动态压力数据特征非线性变化的特性，提出一种基于动态压力角域特征与多源信号的气阀故障诊断方法，构建了气缸动态压力仿真模型，基于气缸、气阀实际参数完成不同工况动态压力数据仿真，对实测与仿真数据进行归一化处理，提取整周期角域特征；进一步，提取振动、位移、管道温度等多源信号特征，采用径向基神经网络完成数据训练与故障诊断；应用实际往复压缩机气阀故障案例数据进行了测试验证。     

基于原始振动信号的往复压缩机卷积神经网络故障诊断

往复压缩机振动信号特性复杂,传统特征提取方法难以有效提取故障特征,从而影响故障诊断效果。提出了基于原始振动信号卷积神经网络(RVCNN)的方法,将采集的一维原始振动信号作为输入,充分利用卷积神经网络(CNN)自动提取信号特征的特性,对往复压缩机故障进行特征提取及诊断。使用从试验台获得的压缩机气阀故障数据样本进行测试,结果表明,与传统方法相比,RVCNN方法具有更高的故障识别率和更好的抗噪性能。