风机叶轮与轴系不平衡分析与对策

结合风机叶轮与轴系不平衡特征,分析风机叶轮与轴系不平衡原因。并通过具体案例,说明风机叶轮与轴系不平衡故障的处理过程及采取的对策。实践证明,采取现场动平衡可达到较好的平衡效果。     

风机现场动平衡方法

介绍了一种风机现场动平衡的方法。根据转子一阶振型和二阶振型成正交关系，在一阶临界频率处校正转子的静不平衡，在二阶临界频率处校正转子的偶不平衡，从而实现风机的理想平衡状态。     

风机不平衡故障的分析与诊断

本文总结了风机不平衡的原因、特征和类型,给出了两种校正风机不平衡的有效方法,对正确判断风机不平衡故障、确定不平衡类型、消除不平衡引起的振动有一定意义。     

风机动平衡试验装置的研制

将风机叶轮、转轴连同机座以及电机作为整体,安装在特定的试验装置上,进行动平衡试验是校正风机部件不平衡的一种直接有效的方法。这种方法消除了因叶轮及联轴器的安装偏差所产生的附加不平衡量,提高了风机系统平衡精度。     

大型风机现场整机动平衡系统的研发

针对大型风机存在的不平衡故障,本文开发了一套现场整机动平衡系统。该系统主要用两个相互垂直的电涡流传感器来描述转子在平面内的涡动,对采集的振动信号进行频谱分析,判断其故障类型;并把平面内的振动高点作为动平衡依据,利用双校正面影响系数法对不平衡转子进行现场整机动平衡,降低其振动。与以往的方法相比,该方法获取的振动数据更直观可靠,提高了平衡效率,实现了大型风机的高速动平衡。     

现场动平衡技术在冷却塔风机上的应用

分析了冷却塔风机常见的不平衡情况，对不平衡频谱进行了分析判断，并应用动平衡仪对冷却塔风机进行现场动平衡，取得了良好效果。     

风机不平衡诊断及现场动平衡

通过对OK408B2悬臂式离心风机不平衡故障的诊断过程和现场动平衡过程的描述，阐明了现场动平衡在生产实践中应用的观点。     

BuffaloForge型大型风机的故障分析和处理

通过对一台ＢｕｆｆａｌｏＦｏｒｇｅ型大型风机故障的分析和处理，介绍整机动平衡技术在风机中的具体应用和取得的效果。     

脱硫增压风机振动故障分析与处理

详细介绍了一起典型的600MW机组脱硫增压风机振动故障分析处理过程,经过振动测试分析,判断该风机振动故障为动不平衡,采用影响系数法对其进行了动平衡处理,解决了振动问题。     

高温风机轴承过维修与动平衡的现场处理

介绍了风机轴承过维修与动平衡故障的判别误区，通过实例对故障处理的误区进行了剖析，并对风机振动原因及处理方法作了简单介绍。     

动平衡校正系统的研制

对旋转机械进行动平衡测试时,采用目前比较普遍的影响系数法等算法得到不平衡量的大小和相位后,为了使被平衡部件恢复到预定精度的平衡状态,必须对其进行校正.文中介绍了几种应用性很强的动平衡校正方法,包括去重法、配重分量法、附加动平衡盘法.并采用VB程序设计语言,开发出一套基于这几种算法的动平衡校正系统.     

某台球团冷却风机异常振动原因分析及治理

介绍某钢铁厂1台球团冷却风机振动故障情况,分析了风机振动大的原因,简述了动平衡过程,并对动平衡过程中出现的异常情况进行了分析.指出试加重量较轻及滚动轴承故障容易导致影响系数分散度大,进而影响动平衡精度和效率.     

简述现场动平衡技术的应用

介绍了现场动平衡技术的优势、诊断和处理方法,通过具体的实例分析了应用现场动平衡技术为企业创造的经济效益。     

HG-3568型动平衡系统在离心通风机上的应用

介绍了离心通风机振动故障的诊断思路和分析方法,并通过一台引风机故障的诊断分析,说明HG3568型动平衡系统在离心通风机上的应用。     

动平衡数控去重系统及其关键技术的研究

为满足动平衡自动校正一体化技术的需求，采用嵌入式系统作为中心测控单元研制了一个动平衡数控去重系统。在对系统总体结构介绍的基础上，重点对电机转子加工模型和刀具自动定位技术等两个关键技术进行了研究。实际应用表明，系统方案合理、技术可行、具有较高的性价比。     

Sensor fault diagnosis based on energy balance evaluation: application to a metal processing

This paper deals with the design of a residual generator for fault detection and isolation in the dynamic closed-loop systems based on the balance of energy which "enters" and "leaves" plants. The main contribution of this paper consists in developing a suitable fault detection and isolation technique to detect faults in single-input single-output closed-loop system based on major signals without the requirement of an accurate static or dynamic model. Indeed, in the absence of conventional input-output models, the proposed method involves the on-line energy balance evaluation to detect a sensor fault. The application to the monitoring of a galvanizing line in steel industry shows the effectiveness of the suggested approach when a sensor fault occurs.     

基于HHT与GA-BP网络的离心通风机故障诊断

结合HHT同GA-BP神经网络的优点,提出了将二者结合用于风机故障诊断的新方法,并且应用最新提出的方法改进HHT(希尔伯特-黄变换),使其应用更为有效。利用HHT构造出代表振动信号特征的"能-频分布";根据GA-BP网络模型能够逼近任意非线性函数和具有高效寻找全局最优的特点作为特征分类器,进行故障诊断。风机故障诊断结果表明,该方法是可行有效的。     

基于改进k-均值聚类算法的风机振动分析

针对风机振动信号的非平稳和非线性特征,提出了一种基于时域信号分析和改进的k-均值聚类算法的故障识别方法。对离心式风机运行中产生的几种非稳态振动故障信号,提取其时域信号的峰峰值、Hurst指数和近似熵参数作为特征向量,采用改进的k-均值聚类算法作为故障分类器,设置转子不平衡、联轴器不对中、风机基座松动、转轴径向摩擦和轴承内圈损坏5种故障。对离心式风机试验的结果表明,3种时域特征能较好地反映各故障之间的差异,改进的k-均值聚类算法与原始的k-均值算法相比分类性能更好,稳定性更强,平均识别率达到88.67%。     

Intelligent fault diagnosis of rolling element bearing based on SVMs and fractal dimension

The development of non-linear dynamic theory brought a new method for recognising and predicting the complex non-linear dynamic behaviour. Fractal dimension can quantitatively describe the non-linear behaviour of vibration signal. In the present paper, the capacity dimension, information dimension and correlation dimension are applied to classify various fault types and evaluate various fault conditions of rolling element bearing, and the classification performance of each fractal dimension and their combinations are evaluated by using SVMs. Experiments on 10 fault data sets showed that the classification performance of the single fractal dimension is quite poor on most data sets, and for a given data set, each fractal dimension exhibited different classification ability, this indicates that various fractal dimensions contain various fault information. Experiments on different combinations of the fractal dimensions demonstrated that the combination of all these three fractal dimensions gets the highest score, but the classification performance is still poor on some data sets. In order to improve the classification performance of the SVM further, 11 time-domain statistical features are introduced to train the SVM together with three fractal dimensions, and the classification performance of the SVM is improved significantly. At the same time, experimental results showed that the classification performance of the SVM trained with 11 time-domain statistical features in tandem with three fractal dimensions outperforms that of the SVM trained only with 11 time-domain statistical features or with three fractal dimensions.