基于小波-主成分分析的离心泵故障诊断方法
基于多自由度的小波包滚动轴承故障诊断方法
基于多自由度的小波包滚动轴承故障诊断方法姜锐红【摘要】The spectral kurtogram is effective for rolling bearings fault diagnosis.However, its performance is inadequate to identify fault information since it is possible to divide the optimal frequency-band into different bands.In addition,the method is vulnerable to random impulse noise.As rolling bearings fault can excite vibrations of multiple frequencies,a diagnosis method of multi-degree of freedom-wavelet packet (MDF-WP)is proposed using the average de-noising prin-ciple.Reasonable sub-band signals of the WP are selected,and their frequency spectrums are pro-cessed by average eful information in the signal is fully used so that immunity to white noise and random impulse noise is improved.Bearing fault simulation signals and the meas-ured signals of the rolling bearings are processed by three methods:fast FIR spectral kurtogram, wavelet packet spectral kurtogram and the proposed MDF-WP method.The results show that the MDF-WP method is more robust to white noise and random impulse noise,verifying its validity and practicability.%快速谱峭度图是滚动轴承故障诊断的有效方法,然而,该方法有可能将最佳频带分割到不同区域,造成对故障信息的识别能力不足,并且对随机冲击噪声的免疫力较弱。
基于小波包分解的离心泵关死点流动状态
Fl w n l ss b s d o v lt p c e e o p sto o e t iug l o a a y i a e n wa e e a k td c m o ii n f r c n rf a p m p ts u - f o di o u s a h t o fc n t n i
f au e s e tu a d e tb ih d f r n rqu n y a ds e t r p c t m n sa ls if e tfe e c b n .Th e p rme twa a re u t ts t e ’ e e x e i n s c rid o t o e t h a ay i e u . e a ay i e u t h w h tt e p e s r u s t n ts u ・f o d t n s ir g l r n l ssr s hs Th n lss r s ls s o t a h r s u e p la i a h to c n ii i re u a o o a d n n c ci a , n lw—r q e c p la in p a s a i p ra t oe d o — y lc l a d o fe u n y u s t l y n m ot n r l .W i t e ] w d c e s s, h o t h to h e rae te a lt d ft h f fe u n y frti c e s s a d t e e r a e . c fo a p a s wh n c n rf g l mp iu e o he s at r q e c s n r a e n h n d c e s s Ba k w p e r e e ti a i l u
基于小波消噪的液压泵故障诊断
基于小波消噪的液压泵故障诊断李自光周小峰(中国长沙科技大学机械动力自动化学院)概述:本文在传统方法和波形方法上进行了一个对比。
传统的方法在时常发生的领域被认为是一种信号,他的不一致在特定的时间不能有和在时间任何的突然变化轴将会影响整个的信号波图解。
对平稳在方法上面只是合理的信号, 除了非平稳以外。
后者可以在同时发生处理及时领域和时常发生的领域之间的信号。
经过用波形分解信号,把握波形转换成你选择的频率的结果,在根据测试信号很容易去加强失败的信号,因此它能区别突然变化的噪音和变化不明显的噪音去分散显著的噪声。
对于上述的问题,这篇文章指出液压泵的主要失效形式是疲劳断裂,表面磨损和气体腐蚀。
这些失效形式可以破坏配流盘和滑靴之间的油薄膜而发生摩擦。
摩擦带来附加的振动信号,因此,我们必须在液压泵壳体中装感应器来获得失效特性。
用小波来分解和重新配置测量信号,很容易消除噪声和有效地加强失效信号。
实验结果指出当配流盘和滑靴在液压泵中发生摩擦时,小波分析法能把信号分解成为多频率谱。
依照信号特性,自适应地选择频率谱来加强失效信息,因此认为过失诊断是基于小的 SNR(信号-到-噪音等级) 信号的。
实验的结果指出此方法是能实行的。
关键词:小波分析法活塞泵过失诊断0 引言传统的信号消噪方法是将信号完全在频率域中进行分析,它们的不一致性不能给出信号在某个时间上的变换情况,使得信号在时间轴上的任何一个突变都会影响信号的整个谱图。
这些方法都是针对平稳信号的,对于非平稳信号均不适用。
小波分析可以同时在时域和频域中对信号进行分析[1],所以它能有效地区分信号中的突变部分和噪声,实现信号的消噪。
1 小波分析理论小波分析是一种窗口大小(窗口面积)固定,但是形状可以改变、时间和频率窗可以改变的时频局部化分析方法,即在低频具有较高的频率分辨率和较低的时间分辨率,在高频部分具有较高的时间分辨率和较低的频率分辨率[2]。
小波分解与FFT变换的区别是小波分解是利用具有紧支结构的小波函数进行分解,分解出来的信号是具有不同尺度(频率特性)和时间的各种小波函数;而FFT 变换是利用正弦函数进行分解,分解出来的信号是不同幅值和频率的正弦函数。
离心泵故障诊断及处理
离心泵故障诊断及处理一、水泵不出水离心泵开机后几秒钟内出水管应有水喷出,否则就应检查原因,及时对症处理。
1.开机前水泵充水不足,或真空泵未抽尽水泵内空气,致使泵内未形成足够的真空度。
处理:应继续充水或抽气。
2.吸水管或仪表漏气,破坏了水泵进口处的真空环境。
原因有:焊接漏气;管子有砂眼或有裂缝;接合处垫圈密封不良,以及连接螺丝未上紧等。
处理:前两条应用炎焰法检查(即:用点燃的蜡烛沿吸水管详细查找,若见炎焰被吸入,则说明该处漏气),查出漏缝处用铅油或临时用黄泥将漏缝堵严;后者应更换密封垫圈,紧固螺丝。
3.底阀未打开、锈死,或滤水部分淤塞,致使吸水管阻力太大;选配水泵不合适,水泵扬程低于设计扬程。
处理:前者应停机检查修复底阀,或清除堵塞物;后者应降低出水池或水泵出水管的高度。
4.水泵反向旋转;进水口处或叶轮流道堵塞;水泵转速太低等故障。
这时,压力表显示有压力,但排水管不出水。
处理:立即停机,若是水泵反转可调换三相电源中任意两相,以改变电机转向;若是叶轮流道堵塞应清理;若转速太低应增加转速(转速过低的原因可能是电动机的端电压过低,皮带轮尺寸配合不当,或皮带打滑)。
5.填料函处漏气。
处理:调整压盖螺钉、压紧填料,或更换填料。
6.叶轮损坏严重,或叶轮固定螺母及时性键脱出。
处理:前者应更换新叶轮;后者应修复紧固。
二、在运行中出水量不足离心泵在运行过程中,若发现出水量减少,应从以下几个方面检查故障原因,并进行处处理。
1.底阀开启程度不够,或逆止阀有障碍堵塞。
应开大底阀或停车清理逆止阀。
2.吸水管淹没深度不够使泵内吸入空气。
应加长吸水管,增加吸水部分的浸没深度,或降低水泵的安装高度。
3.吸水管漏气。
应检查并堵严。
4.填料函漏气。
应压紧填料或更换填料。
5.密封环磨损,造成密封环与叶轮间间隙过大,使水泵内的水产生回流。
处理:①水泵的叶轮与密封环之间的间隙一般为0.1--0.5毫米。
密封环一般用铸钢环车制,若铸钢已破裂,或与叶轮的径向间隙磨损已超过0.5毫米,则应更换新密封环。
离心泵故障诊断的研究与探讨
离心泵故障诊断的研究与探讨离心泵作为一种常见的流体输送设备,其在各种场合中得到广泛应用。
然而,在离心泵的使用过程中,故障问题也经常出现。
如何快速、准确地对离心泵故障进行诊断,一直是离心泵使用者需要解决的问题。
本文将围绕离心泵故障诊断的研究与探讨展开,旨在为离心泵使用者提供更准确、更可靠的故障诊断方法。
一、常见的离心泵故障种类及其表现离心泵故障种类丰富,但归纳起来,主要可分为以下几类:1.泵轴弯曲:泵轴弯曲会使得离心泵在运转过程中出现振动、噪音增大等现象。
2.泵轮磨损:泵轮磨损会导致离心泵流量减小,泵扬程降低等现象。
3.轴承损坏:轴承损坏会导致离心泵运转时出现异响、转速不稳定等现象。
4.叶轮松动:叶轮松动会导致离心泵的流量和扬程下降,噪声增大等现象。
5.密封件老化:密封件老化会使得离心泵出现渗漏、压力下降等现象。
以上离心泵故障的表现仅仅是一些常见的现象,实际情况还有更多的细节问题需要诊断。
二、离心泵故障诊断的方法对于离心泵的故障诊断,有多种方法可供选择,下面我们将逐一介绍。
1.外观检查法外观检查法是最简单的一种故障诊断方法。
使用者可以仔细观察离心泵的外观形态,查看泵壳、轴承、轴封、叶轮等部件是否出现明显的磨损、变形、松动、老化等异常现象,从而初步确定故障的原因。
2.听音法听音法是一种很有效的故障诊断方法,只需使用音叉、听片或其他专业听诊器等设备,放置在离心泵各部位,听取是否有异常声音,如异响、摩擦声等。
根据音响特征能够快速确定故障位置和原因。
3.振动检测法振动检测法是一种常用的故障诊断方法,使用者可以采用振动传感器测量离心泵在运转中的振动状况,通过振动特征分析来确定故障的位置和原因。
振动传感器应安装在离心泵的不同部位,如泵轴、泵轮等,测量振幅、频率等数据,以便确定故障。
4.工艺参数检测法工艺参数检测法是指使用者根据离心泵在运转过程中的工艺参数(如流量、扬程、输出功率、进口压力、泵转速等)来确定故障位置和类型。
基于小波分析的故障诊断算法
基于小波分析的故障诊断算法小波分析在故障诊断领域中起着重要的作用。
本文将介绍基于小波分析的故障诊断算法及其应用。
小波分析是信号处理中的一种重要方法,它将信号分解为具有不同频率和时间分辨率特征的子信号。
通过对这些子信号的分析,可以有效地提取信号中的特征信息。
在故障诊断中,信号通常来自于机械或电子设备,例如振动信号、电流信号等。
这些信号携带了设备的运行状态和故障特征。
传统的故障诊断方法通常采用基于频域或时域的特征提取方法,但是这些方法往往无法捕捉到信号中的时频特征。
1.信号准备:首先,需要采集待诊断的信号数据。
这可以是从传感器中实时采集的信号,或者是从历史数据中提取的离线信号。
2. 小波分解:将采集到的信号通过小波变换分解为多个子信号。
小波变换可以采用不同类型的小波函数,常用的有Daubechies小波、Haar 小波等。
3.特征提取:对每个子信号进行特征提取。
这可以包括时域和频域的特征,例如均值、方差、功率谱等。
也可以采用更高级的特征提取方法,例如熵、能量等。
4.故障识别:采用分类算法对提取的特征进行故障识别。
可以使用传统的机器学习算法,例如支持向量机(SVM)、决策树、随机森林等。
也可以采用深度学习算法,例如卷积神经网络(CNN)等。
5.故障定位:对识别到的故障进行定位。
根据特征提取得到的结果,可以判断故障发生的位置和类型。
可以通过设备的物理结构和设计参数来辅助定位。
基于小波分析的故障诊断算法在实际应用中取得了不错的效果。
例如,在机械故障诊断中,可以通过振动信号的小波分解和特征提取来判断机械设备的故障类型,例如轴承故障、齿轮故障等。
在电力设备中,可以通过电流信号的小波分解和特征提取来判断电器设备的故障类型,例如电机故障、电缆故障等。
总之,基于小波分析的故障诊断算法能够有效地提取信号中的故障特征,实现对设备故障的自动识别和定位。
这种算法具有较好的鲁棒性和准确性,在实际应用中具有广泛的应用前景。
基于小波包能量谱-神经网络的液压泵故障诊断
Байду номын сангаас
信号测取相对容易 , 以可将振动信号作为主要的状 所
态参数 实现 齿 轮泵 的监 测 与 诊 断。本 文 针 对 C — B K 6 液压齿轮泵 , 究利用振动信号 的小波包 能量 P3 研 谱分析 , 应用径向基 函数( ai a s u co , B ) R d l s nt n R F aB i F i
20 0 6年 第 1 2期
液压 与气动
8 5
基 于小 波 包 能 量 谱 一神 经 网络 的液 压 泵 故 障诊 断
毋 文峰 。王汉功 ,陈小虎
Fa l Dig o i o d a l m p Ba e o a ee u t a n ss fHy r u i Pu s d n W v lt c P c e n u a t r a k ta d Ne r l Ne wo k
2基于振动信号特征融合的齿轮泵故障诊断由小波包能量谱分析知齿轮泵在不同状态下振动信号的小波包能量谱分布是不同的此外振动信号的有效值rms表征了信号总能量的大小在不同状下也会发生变化所以我们选取振动信号的小波包能量谱和rms值经归一化后组成rbf网络的输人即共有17个输入特征
维普资讯
W U e —e g W n fn ,W ANG n g n Ha — o g,C HEN a — u Xio h
( 第二炮兵 工程 学院 5 1 , 0 室 陕西 西安
70 2 ) 1 0 5
摘
要 : 对利 用振 动信 号进行 液压 齿轮 泵故 障诊 断 , 绍 了振 动信 号 的 小 波 包能 量谱 分析 , 出了振 针 介 指
动信号的小波 包能量谱分析可以进行齿轮泵故 障模式的识别, 究了利用 R F网络对振动信号的小渡包能 研 B 量谱进行模式学习和识别的方法 , 并建立了相应 的 R F网络。试验表 明小波包能量谱 分析一 B B R F网络方法 可对液压齿轮泵的常见故障进行识别和诊断。
离心泵运行常见故障及其维修诊断方法研究
离心泵运行常见故障及其维修诊断方法研究摘要:离心泵作为现代石化行业中应用十分广泛的一种设备,通过对油田离心泵的工作原理及主要构件的阐述,分析油田离心泵的故障原因,并提出相应的维修诊断策略,希望能得到相关人员的关注与重视并获取相应启发,减少油田离心泵的故障并予以科学维修。
关键词:离心泵,故障,维修,诊断前言离心泵具有运行可靠、性能广泛、流量均匀等优点。
其结构相对简单,使用和维护非常简单。
但由于各种原因,在使用过程中会出现一些故障,影响油田的正常运行。
在此背景下,本文论述了油田常用离心泵的工作原理和结构,介绍了能耗过高、启动故障、振动或异常噪声等故障的原因及维修策略,以期为离心泵的使用提供一些参考建议。
1离心泵的工作原理离心泵是一种广泛应用于生产领域的设备,电机是其运行的动力。
其主要工作原理:离心泵启动前,泵体和吸入管内充满液体。
当叶轮高速旋转时,电机能有效驱动叶片间液体的同步旋转;运行中,液体在离心力的作用下从叶轮中心抛向叶轮外缘,速度和动能同步增加;由于泵壳呈蜗壳状,液体进入泵壳后,流道逐渐增大,流量逐渐减小,在此操作过程中,部分动能将逐渐转化为静压能。
此时,液体将以极高的压力沿出口流出;在叶轮中心,液体被甩出后会变成真空状态,液位处的压力将远远超过叶轮中心的压力,使吸入管路中的液体进入泵体。
在叶轮的连续循环过程中,液体可以反复、连续地被吸入和压出,液体可以被输送。
2离心泵基本结构2.1泵壳泵壳有轴向剖分式和径向剖分式两种,大多数单级泵的壳体都是蜗壳式的,多级泵径向剖分壳体一般为环形壳体或圆形壳体。
一般蜗壳式泵壳内腔呈螺旋型液道用以收集从叶轮中甩出的液体并引向扩散管至泵出口。
泵壳承受全部的工作压力和液体的热负荷。
2.2叶轮叶轮型式有闭式、开式、半开式三种。
闭式叶轮由叶片、前盖板、后盖板组成;半开式叶轮由叶片和后盖板组成;开式叶轮只有叶片无前后盖板。
闭式叶轮效率较高,开式叶轮效率较低。
2.3密封环密封环的作用是防止泵的内泄漏和外泄漏由耐磨材料制成的密封环镶于叶轮前后盖板和泵壳上,磨损后可以更换。
离心泵的故障诊断方法及故障评定
一、热网离心泵状态监测
1、监测原理
1、监测原理
状态监测主要是通过一系列传感器,实时监测离心泵的主要运行参数,如转 速、振动、温度、流量等,通过这些参数的变化,可以判断出离心泵的运行状态。 其中,振动监测是最常用也最有效的一种监测方法。
2、监测系统设计
2、监测系统设计
基于振动监测的原理,设计热网离心泵状态监测系统。该系统主要包括数据 采集器、数据处理和分析软件、报警和控制系统等部分。数据采集器负责采集离 心泵的振动数据,然后通过数据处理和分析软件进行数据处理和分析,最后通过 报警和控制系统对异常情况进行报警和控制。
一、离心泵振动故障原因分析
一、离心泵振动故障原因分析
离心泵振动故障的原因有很多,主要包括以下几个方面:
1、机械原因:如轴承磨损、转 子不平衡、联轴器松动等。
2、流体动力学原因:如流体流 动不均匀、汽蚀等。
3、电气原因:如电机不平衡、 电气控制系统故障等。
3、电气原因:如电机不平衡、电气控制系统故障等。
一、离心泵的故障诊断方法
3、测参数通过测量离心泵的主要运行参数,如压力、流量、电功率等,可以 对离心泵的工作状态进行评估。将测量值与泵的正常运行参数进行比较,可以判 断出泵是否出现故障。同时,通过测量泵的振动、位移等参数,也可以辅助诊断 离心泵的故障。
二、离心泵的故障评定
二、离心泵的故障评定
根据离心泵的故障诊断方法,可以将离心泵的故障分为以下几类: 1、机械故障机械故障是离心泵最常见的故障类型,包括轴承损坏、密封件磨 损、转子不平衡等。这些故障通常会导致泵的性能下降、噪音增大,严重时甚至 会导致泵无法正常运行。
四、案例分析
通过采取以上措施,该离心泵的噪音和振动问题得到了有效解决。这一案例 也说明了离心泵的故障诊断和评定的重要性,以及采取合适解决方法的有效性。
浅析离心泵的故障诊断与处理
工业与信息化
浅析离心泵的故障诊断与处理
孙守龙 昆明嘉和科技股份有限公司 云南 昆明 650501
摘 要 文章基于离心泵的工作原理,分析离心泵运行中的常见故障并总结故障原因,提出了相应的故障预防和处 理措施,以供参考。 关键词 离心泵;故障原因;故障排除
3.2 运转工作时泵水量不足或泵不出水处理 针对此问题,要清洗泵的进水口和出水口,清理叶轮上的 异物,如果泵轴的转速较低,则需要调整转速达到标准数值。 打开底阀并调整到标准角度,还要对逆止阀进行清理,如果密 封圈或叶轮等零件磨损严重则需要更换。适当增加吸水管道的 放置深度,将其放置在水位更深的位置,如果密封圈和漏气填 充材料损耗严重也需要更换,确保吸水管道处于真空状态。 3.3 运行时轴承过热处理 泵正常运行时如果用手触摸泵体轴承顶端位置存在烫手的 现状则证明此位置出现了故障,这就需要将轴承联结零件拆解 并对泵和电动机的轴承平衡度进行调整。对泵和轴承的润滑油 量进行检查和补充,将损坏严重的轴承进行更换,还要适当调 整传动带,保证其松紧程度适中[3]。 3.4 泵耗能偏大处理 由于泵运行中的表参数异常时会导致转速异常、电动机 温度过高以及流量减小等问题,则就需要将润滑油添加在转动 位置接触面上,减少轴承摩擦问题。还要及时更换耗损严重昂 的零部件。在选择泵时应保证其功率符合企业生长需求,避免 功率不足而造成负荷过高的问题。同时要控制泵与动力机轴的 平衡,避免由于轴承过力或松动而失衡,造成泵耗能增加的问 题。在电压和增长时要控制开关频率,保证三相电压平衡,控 制不平衡度不能超过5%。
2 离心泵的故障原因诊断 2.1 离心泵的汽蚀现象 此故障发生时会伴随有噼里啪啦的刺耳噪音,同时泵运
行时的振动更加剧烈,长时间如此还会导致底部出现砂眼而漏 水,如果不及时维修还会缩短轴承使用寿命。经过对离心泵的 拆解可知,这主要由于在泵内部的叶轮以及蜗壳管道中出现了 蜂窝状的小点,也就是出现的汽蚀问题。导致此问题的原因, 首先是泵所输送的液体具有较高的问题,使得液体的饱和蒸汽 压力超标。或者是由于泵中的储存位置较低,使得空气进入泵 内部,再或者是泵的进口位置存在障碍物影响液体的进入,而 出口位置的阀门则具有较大的开度等。
基于小波-支持向量机(SVM)的发动机泵机组故障诊断
的各类故障特征信号 , 经分析后 找出故障原因。在确定故 障原 因的基础上 , 利用支持 向量机原理在解决小样本 、 非线 性、 高维模式识别问题 的优势 , 建立支持 向量机故障诊断模型 , 对某发动机泵机组进行 了故 障诊断 , 得到 了很好的效
果。
关键词: 小波变换; 发动机泵机组 ቤተ መጻሕፍቲ ባይዱ 故障诊断; 支持向量机
Ke o d :Waee t nf ao ;D le o v u p m cie a t i oi;S pot etr cieS M) y w rs vltr s r tn evrm tep m ahn ;F u a s s upr vco hn(V a o i m i i l dg n ma
3 5 1 r p L nj g 1 30 , h a . 18 To 。 gi 3 4 1C i ) 6 o o n n
Ab ta t Deie t e u ma hn a d e e t a l c a a tr i e c a t f s t r q e c . Us g t e sr c : l r mo v p mp v i c i e h s i r n f ut h r ce n a h p r o e f u n y f s e i h n c a a tr o v lt t n fr t n w t n e o u o s a d i t d a n a h kn f f u t c a ce s c s n l o h r ce f wa e e r so ma o i ma y r s l t n w h r w g e c i d o a l h r tr t i a f a i h i n i a ii g Deie t e p mp l r mo v u ma h n , i s a l o i d o t t e f ut b ay i g u t e r ,b ma i g U e f t e v i c i e t b e t f u a l y a l zn .F r r mo i n h n h e y k n S o h a v tg o s p  ̄ v co ma h n i s li g mal s mp e , n n— n a i a d hg e - i n in p t m da ae f up n o e tr c i e n ov n s l a ls o l e r y n ih r- me s a t i t d o e r c g i o p o lm, t e a t o c r e o f u t ig o e t o e D l e mo v p mp ma h n b t e e ont n rbe i h u r h s ar d n a d a n s o n e v r i l i i te u c ie y h
离心泵常见故障及处理[离心泵的故障诊断方法及故障评定]
离心泵常见故障及处理[离心泵的故障诊断方法及故障评定]一、前言随着现代工业发展以及科学技术的不断更新,机械设备在企业生产活动中占据越来越重要的地位。
离心泵作为一种重要的机械设备,一直以来得到广泛的应用。
离心泵的基本构造是由六部分组成的,分别是:叶轮,泵体,泵轴,轴承,密封环,填料函。
离心泵工作室,其高速旋转的叶轮叶片将带动水转动,不断的将水甩出,达到输送的目的。
正是由于离心泵的重要性,其一旦产生故障,轻者造成设备性能的弱化,重者将造成灾难性的后果。
为此,对离心泵的故障诊断就显得尤为重要。
从目前的设备故障诊断来看,很多企业依然沿袭旧有的定期以及计划维修方法,这种方法造成维修工作的盲目性,很多设备没有问题却依然被反复拆卸,造成机械性能往往不理想,甚至低于检修前,而且造成时间以及资金的无效投入。
下面本文结合离心泵,对其产生故障的类型以及诊断方法进行了探讨。
二、离心泵的故障诊断的类型离心泵故障种类很多,归纳起来主要有以下几种:一是转子不平衡造成的故障,出现转子不平衡的原因不尽相同,从中看,大多是由于转子部件质量偏心造成的,这也是最常出现的故障类型。
具体划分的话,又可以分为原始不平衡、渐发性不平衡和突发性不平衡等几种情况,原始不平衡是由于转子制造过程中出现问题造成的缺陷,例如有的转子出厂时就不符合精度要求,属于次品。
在使用过程中就会出现质量问题。
渐发性不平衡是由于转子在使用过程中,由于没有及时清洗和维护,造成转子上产生不均匀结垢,在设备运行中不断侵蚀叶片以及叶轮,造成质量问题。
突发性不平衡是由于偶发事件造成的,例如异物卡塞等造成的。
二是偏心转子的故障,偏心是指定子与转子之间不同心的一种故障。
当旋转泵有几何偏心时,除会产生一阶频率振动外,还会由于流体不平衡造成叶轮叶片通过频率倍频的振动。
由偏心造成的激振力与负荷有关,而与转速没有直接关系。
三是转子弯曲故障,这种故障类型主要出现在设备重启时,也就是设备长时间没有使用,此过程中转子出现的弯曲的情况,主要原因有设计时的问题,出厂时即有设计上的缺陷造成弯曲缺陷,再就停放时没有遵守规范造成弯曲,还有就是设备停止时没有及时冷却,再就是设备提高速度过快,这些原因都会造成弯曲。
基于小波分析的故障诊断算法
基于小波分析的故障诊断算法前言:小波变换是一种新的变换分析方法,它继承和发展了短时傅立叶变换局部化的思想,同时又克服了窗口大小不随频率变化等缺点,能够提供一个随频率改变的“时间-频率”窗口,是进行信号时频分析和处理的理想工具。
它的主要特点是通过变换能够充分突出问题某些方面的特征,因此,小波变换在许多领域都得到了成功的应用,特别是小波变换的离散数字算法已被广泛用于许多问题的变换研究中。
从此,小波变换越来越引起人们的重视,其应用领域来越来越广泛。
在实际的信号处理过程中,尤其是对非平稳信号的处理中,信号在任一时刻附近的频域特征都很重要。
如在故障诊断中,故障点(机械故障、控制系统故障、电力系统故障等)一般都对应于测试信号的突变点。
对于这些时变信号进行分析,通常需要提取某一时间段(或瞬间)的频率信息或某一频率段所对应的时间信息。
因此,需要寻求一种具有一定的时间和频率分辨率的基函数来分析时变信号。
小波变换继承和发展了短时傅里叶变换的局部化思想,并且克服了其窗口大小和形状固定不变的缺点。
它不但可以同时从时域和频域观测信号的局部特征,而且时间分辨率和频率分辨率都是可以变化的,是一种比较理想的信号处理方法。
小波分析被广泛应用于信号处理、图像处理、语音识别、模式识别、数据压缩、故障诊断、量子物理等应用领域中。
小波分析在故障诊断中应用进展1)基于小波信号分析的故障诊断方法基于小波分析直接进行故障诊断是属于故障诊断方法中的信号处理法。
这一方法的优点是可以回避被诊断对象的数学模型,这对于那些难以建立解析数学模型的诊断对象是非常有用的。
具体可分为以下4种方法:①利用小波变换检测信号突变的故障方法连续小波变换能够通过多尺度分析提取信号的奇异点。
基本原理是当信号在奇异点附近的Lipschitz指数α>0时,其连续小波变换的模极大值随尺度的增大而增大;当α<0时,则随尺度的增大而减小。
噪声对应的Lipschitz指数远小于0,而信号边沿对应的Lipschitz指数大于或等于0。
基于小波分析的故障诊断方法研究与应用
基于小波分析的故障诊断方法研究与应用随着人们对生产效率的要求越来越高,工业设备的故障率也愈发受到注意。
传统的故障诊断方法往往需要进行大量的试验和检测,不但费时费力,而且还可能造成设备二次损伤。
因此,研发一种快速有效的故障诊断方法成为了工业领域亟需解决的问题。
近年来,小波分析(Wavelet Analysis)作为信号处理领域的一个新兴技术,被广泛应用于故障诊断领域。
小波分析基于时频分析思想,将时域分解为不同尺度和频率的小波系数,从而实现对复杂信号的精确分析。
基于小波分析的故障诊断方法,主要通过对传感器采集到的振动信号进行小波分解,提取不同频段的小波系数,进而对故障特征进行分析。
该方法具有以下优势:1. 数据处理效率高:小波分析可以高效地提取信号的时域和频域特征,相比较于传统方法,处理效率更高。
2. 适应性强:小波分析可根据不同的频率和尺度对信号进行精细分解,适用于复杂信号的分析。
3. 准确性高:小波分析可以提高信号的信噪比,从而提高故障特征的准确性。
小波分析的应用在工业领域,小波分析已经成功地应用于故障诊断领域。
例如,基于小波分析的故障诊断在轴承、齿轮、发动机、风力发电机等领域都取得了优秀的效果。
下面会用轴承故障诊断为例,介绍小波分析在故障诊断中的应用。
轴承是机械设备中非常重要的部件,其健康水平直接影响到设备的性能和寿命。
轴承故障通常会引发机器的振动,因此通过振动信号进行故障诊断是普遍的方法。
通过小波分解,可以提取不同频段的信号,从而找到轴承故障的特征。
例如,当轴承出现裂纹故障时,振动信号将在一定的频率下具有明显的特征频率。
此时,通过对信号进行小波分解,可以准确地提取出这些频率,从而实现故障的诊断。
未来展望基于小波分析的故障诊断方法在工业领域中具有广阔的应用前景。
未来,随着技术的不断发展,这种方法也将越来越成熟和完善。
建立针对特定设备的小波分析模型,开发自动化诊断软件,实现实时监测和远程故障诊断等方向都将逐渐得到完善和推广。
基于小波包分解和MCKD的水泵轴承故障诊断方法
第43卷第2期2024年4月沈㊀阳㊀理㊀工㊀大㊀学㊀学㊀报JournalofShenyangLigongUniversityVol 43No 2Apr 2024收稿日期:2023-05-04基金项目:辽宁省教育厅科学研究经费项目(LG202014)作者简介:蒋辉(1984 )ꎬ男ꎬ高级工程师ꎬ博士ꎬ研究方向为智能检测与控制技术㊁物联网应用技术ꎻ蒋强(1974 )ꎬ通信作者ꎬ男ꎬ教授ꎬ研究方向为智能控制理论及算法ꎮ文章编号:1003-1251(2024)02-0038-07基于小波包分解和MCKD的水泵轴承故障诊断方法蒋㊀辉1ꎬ2ꎬ邱露鹏1ꎬ蒋㊀强1(1.沈阳理工大学自动化与电气工程学院ꎬ沈阳110159ꎻ2.沈阳天眼智云信息科技有限公司ꎬ沈阳110179)摘㊀要:针对水泵在实际应用中所处环境复杂㊁故障信号包含大量噪声难以提取的问题ꎬ提出了一种结合小波包分解和最大相关峭度解卷积(MCKD)的水泵轴承故障诊断方法ꎮ首先ꎬ应用小波包分解对原始信号进行分解ꎬ根据分解信号的信噪比和标准差选取合适的分量进行重构ꎻ然后ꎬ采用MCKD算法对重构信号降噪处理ꎬ突出信号中的有效周期冲击成分ꎻ最后ꎬ对处理好的信号进行包络谱分析ꎬ从包络谱中得到故障频率ꎮ实验结果表明ꎬ小波包分解和MCKD方法能够有效提取水泵轴承故障特征频率ꎬ可为工程实际应用提供参考ꎮ关㊀键㊀词:最大相关峭度解卷积ꎻ小波包分解ꎻ故障诊断ꎻ轴承中图分类号:TH133.33文献标志码:ADOI:10.3969/j.issn.1003-1251.2024.02.006AFaultDiagnosisMethodforWaterPumpBearingsBasedonWaveletPacketDecompositionandMCKDAlgorithmJIANGHui1ꎬ2ꎬQIULupeng1ꎬJIANGQiang1(1.ShenyangLigongUniversityꎬShenyang110159ꎬChinaꎻ2.ShenyangSkyEyeIntelligenceCloudInformationandTechnologyCo.ꎬLtd.ꎬShenyang110179ꎬChina)Abstract:Fortheproblemthatthepumpisinacomplexenvironmentinpracticalapplicationsandthefaultsignalcontainsalotofnoisethatisdifficulttoextractꎬapump ̄bearingfaultdiagnosismethodcombiningwaveletpacketdecompositionandmaximumcorrelationkurtosisdeconvolution(MCKD)isproposed.Firstlyꎬwaveletpacketdecompositionisappliedtodecomposetheoriginalsignalꎬandtheappropriatecomponentsareselectedforreconstructionaccordingtothesignal ̄to ̄noiseratioandstandarddeviationofthedecomposedsignal.ThentheMCKDalgorithmisusedtoreducethenoiseofthereconstructedsignalandhighlighttheeffectiveperiodicshockcomponentsinthesignal.Finallyꎬtheprocessedsignalisanalysedbyenvelopespectrumꎬfromwhichthefaultfre ̄quencyisobtained.TheexperimentalresultsshowthatthewaveletpacketdecompositionandMCKDmethodscaneffectivelyextractthecharacteristicfrequencyofwaterpumpbearingfaultsꎬwhichcanbeusedasareferenceforengineeringpracticalapplications.Keywords:maximumcorrelationkurtosisdeconvolutionꎻwaveletpacketdecompositionꎻfaultdiag ̄nosisꎻbearing㊀㊀水泵是工业生产中最常用的一种设备ꎬ工业循环水系统的正常运转需要水泵的稳定运行ꎮ滚动轴承是水泵最重要的组成部分ꎬ其出现故障会对水泵甚至整个系统运转造成重大的影响[1]ꎮ轴承故障诊断是工业4 0时代智能制造等新兴产业的重要研究方向之一ꎬ对滚动轴承进行运行状态的监测和诊断对工业生产及推动智能制造具有积极作用[2]ꎮ由于实际生产中水泵所处环境复杂ꎬ对滚动轴承振动数据进行采集时不可避免地会包含大量噪声ꎬ从而影响其故障频率的提取[3-4]ꎮ针对含噪的非平稳故障信号ꎬ已有很多学者提出了具有针对性的降噪算法ꎮ易文华等[5]针对经验模态分解(EMD)滤波对爆破振动信号去噪效果不佳的问题ꎬ提出了EMD改进算法ꎬ解决了EMD分解信号过程中出现的模态混叠问题ꎮ徐乐等[6]针对齿轮箱振动故障特征难以识别的问题ꎬ提出了基于局部均值分解(LMD)能量熵故障诊断方法ꎬ该方法能显著区分齿轮箱的故障类型ꎮ熊常亮等[7]提出了联合LMD与EMD的全球导航卫星系统(GNSS)站坐标时间序列去噪方法ꎬ使降噪后的信号均方根误差更小ꎬ相关系数与信噪比更大ꎮ由于EMD和LMD存在模态混叠和端点效应ꎬ会对降噪效果产生影响ꎮ曹玲玲等[8]提出了一种基于集合经验模态分解(EEMD)和快速谱峭度的故障诊断方法ꎬ有效克服了EMD分解的模态混叠和端点效应ꎬ检测出了滚动轴承的故障频率ꎮ何玉灵等[9]利用最大相关峭度解卷积(MCKD)算法对发电机振动信号进行故障特征提取ꎬ更加清晰地获取了信号的故障信息ꎮ唐道龙等[10]提出了基于参数优化的MCKD方法ꎬ用于行星齿轮箱微弱故障的诊断ꎬ该方法可从强背景噪声下的行星齿轮箱振动信号中提取微弱的故障信号ꎬ有效抑制了噪声干扰ꎮ上述方法虽然在故障振动信号降噪方面取得了一定的效果ꎬ但均无法完全消除分解算法中存在的模态混叠和端点效应ꎬ对于噪声更大或者更微弱故障信号的提取仍然难度很大ꎮ基于上述分析ꎬ本文将小波包分解和MCKD两种算法相结合进行故障特征提取ꎮ首先采用算法复杂度较小且无需考虑端点效应的小波包分解方法对信号进行分解ꎬ计算分量的峭度值和信噪比ꎬ选择合适的分量重构信号ꎻ然后利用MCKD[11]突出处理后信号被噪声淹没的周期性故障特征ꎻ最后采用包络谱分析轴承故障特征ꎮ1㊀基本理论1.1㊀小波包分解小波分析对处理非平稳信号具有很好的效果ꎬ小波包分解在小波变换的基础上产生并发展[12]ꎮ相较而言ꎬ小波包分解是一种更加精细的分解算法ꎬ其不仅能够有效地对信号低频部分进行分解ꎬ还能更加强化对信号高频部分的分解能力ꎮ三层小波包分解原理如图1所示ꎮ图中第一层的S(0ꎬ0)为振动原始信号ꎬ经过三层小波包分解ꎬS(0ꎬ0)分解为八段不同频段的子信号S(3ꎬi) (i=0ꎬ1ꎬ ꎬ7)ꎮ设原始信号频率为0~xꎬ第三层八个频段范围如表1所示ꎮ图1㊀三层小波包分解原理图Fig.1㊀Schematicdiagramofthree ̄layerwaveletpacketdecomposition表1㊀第三层小波包分解各频段范围Table1㊀Thethirdlayerwaveletpacketdecompositionforeachfrequencybandrange第三层节点子信号频段范围/HzS(3ꎬ0)0~0 125xS(3ꎬ1)0 125x~0 25xS(3ꎬ2)0 25x~0 375xS(3ꎬ3)0 375x~0 5xS(3ꎬ4)0 5x~0 625xS(3ꎬ5)0 625x~0 75xS(3ꎬ6)0 75x~0 875xS(3ꎬ7)0 875x~x1.2㊀MCKD算法MCKD以滤波后信号的相关峭度为目标函数求解最优解卷积滤波器参数[13]ꎬ该算法在强噪声环境下更易于提取轴承故障信号中的相关成分ꎬ在轴承故障诊断中获得了广泛应用ꎮ相关峭度CKM(T)定义为CKM(T)=ðNn=1(ᵑMm=0yn-mT)2(ðNn=1y2n)M+1(1)式中:T为解卷积周期ꎻN为输入信号长度ꎻM为位移数ꎻyn为传感器采集的振动信号ꎮ解卷积周期T由信号的采样频率fs和轴承故障特征频率ff决定ꎬ其计算式为93第2期㊀㊀㊀蒋㊀辉等:基于小波包分解和MCKD的水泵轴承故障诊断方法T=fsff(2)yn计算式为yn=ðLk=1fkxn-k+1(3)式中:xn为输入信号ꎻ以f表示长度为L的滤波器的系数向量ꎬf=[f1㊀f2㊀ ㊀fL]TꎮMCKD算法的目标函数为maxfCKM(T)=maxfðNn=1(ᵑMm=0yn-mT)2(ðNn=1y2n)M+1(4)由式(3)和式(4)可得f表达式为f= y 2(M+1) β 2(X0XT0)-1ðMm=0XmTαm(5)其中y=XT0ˑf(6)Xr=x1-rx2-rx3-r xN-r0x1-rx2-r xN-1-r00x1-rxN-2-r⋮⋮⋮⋱⋮000xN-L-r+1éëêêêêêêêùûúúúúúúúLˑN(7)式中r=0ꎬTꎬ2Tꎬ ꎬmTꎮαm=y-11-mT(y21y21-Ty21-MT)y-12-mT(y22y22-T y22-MT)⋮y-1N-mT(y2Ny2N-T y2N-MT)éëêêêêêùûúúúúúNˑ1(8)β=y1y1-T y1-MTy2y2-T y2-MT⋮yNyN-T yN-MTéëêêêêêùûúúúúúNˑ1(9)最大相关峭度求解过程如下:1)初始化周期T㊁位移数M和滤波器长度Lꎻ2)根据输入信号xn计算XmT㊁X0XT0和(X0XT0)-1ꎻ3)根据式(3)计算经过滤波后的信号ynꎻ4)根据yn计算αm和βꎻ5)根据式(5)更新滤波器系数fꎻ6)如滤波前后信号相关峭度差值ΔCKm(T)大于ε(ε为迭代终止限)时ꎬ跳转到步骤2)ꎬ否则结束迭代ꎮ1.3㊀故障诊断流程图基于小波包分解和MCKD算法的水泵轴承故障诊断流程如图2所示ꎮ图2㊀基于小波包分解和MCKD算法的水泵轴承故障诊断流程图Fig.2㊀FlowchartforfaultdiagnosisofwaterpumpbearingsbasedonwaveletpacketdecompositionandMCKDalgorithm2㊀试验验证及结果分析2.1㊀开源轴承数据分析本节采用美国西储大学的开源轴承数据ꎬ数据采集试验台如图3所示ꎮ图3㊀开源轴承数据采集试验台Fig.3㊀Opensourcebearingdataacquisitiontestbench㊀㊀进行算法验证的模拟试验台采用SKF公司的深沟球滚动轴承(型号为6205 ̄2RS)ꎬ轴承转速约为1797r/minꎬ采样频率为12kHzꎬ连续采样ꎮ轴承部分参数如表2所示ꎮ㊀㊀轴承的内圈故障特征频率finner计算式为finner=Z21+dDcosαæèçöø÷fr(10)式中fr为轴承固有旋转频率ꎬfr=r/60ꎮ04沈㊀阳㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀第43卷表2㊀轴承部分参数Table2㊀Partialparametersofthebearing参数数值滚珠数量Z/个9接触角α/(ʎ)0节径D/mm39 04滚动体直径d/mm7 94㊀㊀根据式(10)可计算得到在转速为1797r/min下轴承的内圈故障频率finnerʈ162Hzꎮ内圈故障信号时域波形如图4所示ꎬ直接对其进行包络谱分析ꎬ如图5所示ꎮ图5中虽然能看到近似内圈故障的故障频率ꎬ但该故障频率及其倍频成分均被淹没在噪声频率中ꎬ无法对轴承状态诊断结果提供决定性信息ꎮ图4㊀原始信号时域波形Fig.4㊀Time ̄domainwaveformoftheoriginalsignal图5㊀原始信号包络谱Fig.5㊀Envelopespectrumoftheoriginalsignal㊀㊀小波包分解第三层各个节点的时域波形如图6所示ꎮ小波包分解第三层各个节点子信号的信噪比与峭度值如表3所示ꎮ图6㊀第三层小波包分解波形Fig.6㊀Waveletdecompositionwaveformofthethirdlayer表3㊀第三层节点子信号信噪比和峭度值Table3㊀Signal ̄to ̄noiseratioandkurtosisvalueofthethirdlayersignal第三层节点子信号信噪比/dB峭度值S(3ꎬ0)28 565 42S(3ꎬ1)22 944 85S(3ꎬ2)8 103 39S(3ꎬ3)4 796 21S(3ꎬ4)3 935 31S(3ꎬ5)13 625 28S(3ꎬ6)9 324 13S(3ꎬ7)10 034 08㊀㊀综合比较表3中各节点子信号的信噪比和峭度值ꎬ选择节点S(3ꎬ0)㊁节点S(3ꎬ2)和节点S(3ꎬ5)子信号数据进行重构ꎮ图7为原始信号经过小波包分解重构后的时域波形图ꎬ图8为小波包分解重构信号经过MCKD降噪后信号的时域波形图ꎮ㊀㊀经过MCKD降噪后信号的包络谱如图9所示ꎮ由图9可明显看到故障频率及其2倍频和3倍频ꎬ据此可精准判断该轴承内圈发生故障ꎮ2.2㊀现场试验数据分析现场水泵试验台如图10所示ꎬ图中各数字表14第2期㊀㊀㊀蒋㊀辉等:基于小波包分解和MCKD的水泵轴承故障诊断方法图7㊀小波包分解重构后信号的时域波形Fig.7㊀Timedomainwaveformofthereconstructedsignalafterwaveletpacketdecomposition图8㊀MCKD降噪后信号时域波形Fig.8㊀SignaltimedomainwaveformafterMCKDnoisereduction图9㊀MCKD降噪后信号包络谱Fig.9㊀EnvelopespectrumoftheMCKDdenoisedsignal示测点位置ꎮ采用深沟球滚动轴承ꎬ转速约为1400r/minꎬ采样频率为2 5kHzꎬ连续采样ꎮ轴承部分参数如表4所示ꎮ㊀㊀试验中采集正常状态㊁轴承内圈故障㊁外圈故障三种工况下的轴承振动数据ꎬ限于篇幅ꎬ本文只对轴承内圈故障数据进行详细的算法验证分析ꎮ根据实际水泵各部分连接情况ꎬ采用6个传感器接收不同部位振动数据ꎬ图10中测点1为进水口位置ꎬ测点5为出水口位置ꎬ测点2㊁3㊁4为基座位置ꎬ测点0为接线盒位置ꎬ6个测点可以保证水泵各重要位置振动数据完备ꎮ图10㊀现场水泵试验台Fig.10㊀Waterpumptestbenchonsite表4㊀现场轴承部分参数Table4㊀Partialparametersofthefieldbearing参数数值滚珠数量Z/个8接触角α/(ʎ)0节径D/mm80滚动体直径d/mm9㊀㊀根据测点0内圈故障原始数据绘制包络谱如图11所示ꎮ由式(10)计算得到该轴承理论内圈故障特征频率finnerʈ103Hzꎬ但图11中故障频率被大量噪声频率掩盖ꎬ无法判断轴承运行状态ꎮ图11㊀原始信号包络谱(测点0)Fig.11㊀Originalsignalenvelopespectrum(measuringpoint0)㊀㊀对测点0原始信号数据进行三层小波包分解ꎬ分解后第三层各节点子信号的时域波形如图12所示ꎮ24沈㊀阳㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀第43卷图12㊀第三层小波包分解波形(测点0)Fig.12㊀Thirdlayerwaveletpacketdecompositionwaveform(measuringpoint0)㊀㊀小波包分解第三层各节点子信号的信噪比与峭度值如表5所示ꎮ综合比较各节点子信号的信噪比和峭度值ꎬ选择节点S(3ꎬ0)㊁节点S(3ꎬ2)和节点S(3ꎬ4)子信号数据进行重构ꎮ表5㊀第三层信号信噪比和峭度值(测点0)Table5㊀Signaltonoiseratioandkurtosisvalue(measurementpoint0)ofthethirdlayersignal第三层节点子信号信噪比/dB峭度值S(3ꎬ0)14 083 89S(3ꎬ1)12 492 63S(3ꎬ2)11 804 15S(3ꎬ3)5 484 25S(3ꎬ4)9 873 81S(3ꎬ5)7 423 23S(3ꎬ6)7 702 90S(3ꎬ7)8 493 18㊀㊀测点0的原始信号经过小波包分解重构和MCKD降噪处理后的包络谱如图13所示ꎮ对比图11中直接对测点0原始信号进行包络谱处理ꎬ由图13中经过处理后的数据可以清楚提取到故障频率(103Hz)附近频率以及2㊁3㊁4倍频ꎮ剩余5个测点使用本文方法达到的效果如图14所示ꎬ可见ꎬ其他测点亦显示出内圈故障的特征频率及其倍频ꎮ图13㊀经过MCKD降噪后包络谱(测点0)Fig.13㊀EnvelopespectrumafterMCKDnoisereduction(measurementpoint0)图14㊀原始信号经处理后的包络谱(测点1~5)Fig.14㊀Theenvelopespectrumoftheoriginalsignalafterprocessing(measurementpoints1~5)㊀㊀图15为轴承外圈故障数据经过本文方法降噪处理后的包络谱ꎬ根据理论计算得到轴承外圈故障频率约为67Hzꎬ由图15可以看到外圈故障频率的1㊁2㊁3倍频ꎮ由此证实了本文提出方法的有效性ꎮ图15㊀外圈故障包络谱Fig.15㊀Outerringfaultenvelopespectrum34第2期㊀㊀㊀蒋㊀辉等:基于小波包分解和MCKD的水泵轴承故障诊断方法3 结论针对传统分解算法存在模态混叠㊁端点效应以及算法复杂度高的问题ꎬ提出了一种基于小波包分解与MCKD的水泵轴承故障诊断方法ꎮ相比传统分解算法ꎬ小波包分解可以避免模态混叠和端点效应对原始数据分解造成的影响ꎬ且能够简化计算ꎻMCKD方法可以增强信号中的冲击成分ꎮ对两种不同试验台数据进行分析ꎬ结果表明ꎬ将小波包分解和MCKD两种方法相结合可以明显消除原始信号中的噪声ꎬ能够更容易地提取轴承的故障特征ꎮ本文方法为滚动轴承故障诊断提供了一种新思路ꎬ具有重要的指导意义ꎮ参考文献(References):[1]㊀王星河ꎬ王红军ꎬ刘国庆.基于谱峭度的滚动轴承故障诊断方法[J].设备管理与维修ꎬ2021(9):151-153.WANGXHꎬWANGHJꎬLIUGQ.Faultdiagnosismethodofrollingbearingbasedonspectralkurtosis[J].PlantMainte ̄nanceEngineeringꎬ2021(9):151-153.(inChinese) [2]㊀舒相挺ꎬ杨璋ꎬ徐逸哲ꎬ等.某循环海水泵振动故障诊断与趋势分析[J].振动㊁测试与诊断ꎬ2022ꎬ42(4):791-796ꎬ831.SHUXTꎬYANGZꎬXUYZꎬetal.Vibrationfaultdiagnosisandtrendanalysisofcirculatingseawaterpump[J].JournalofVibrationꎬMeasurement&Diagnosisꎬ2022ꎬ42(4):791-796ꎬ831.(inChinese)[3]㊀潘云杰ꎬ李颖ꎬ王欣威ꎬ等.基于SPA和SQPE的往复压缩机滑动轴承故障特征提取方法[J].沈阳理工大学学报ꎬ2022ꎬ41(4):20-25.PANYJꎬLIYꎬWANGXWꎬetal.FaultfeatureextractionmethodforreciprocatingcompressorslidingbearingbasedonSPAandSQPE[J].JournalofShenyangLigongUniversityꎬ2022ꎬ41(4):20-25.(inChinese)[4]㊀邬天骥.基于机器学习的数据驱动故障诊断方法研究[D].杭州:浙江工业大学ꎬ2019.[5]㊀易文华ꎬ刘连生ꎬ闫雷ꎬ等.基于EMD改进算法的爆破振动信号去噪[J].爆炸与冲击ꎬ2020ꎬ40(9):77-87.YIWHꎬLIULSꎬYANLꎬetal.Vibrationsignalde ̄noisingbasedonimprovedEMDalgorithm[J].ExplosionandShockWavesꎬ2020ꎬ40(9):77-87.(inChinese)[6]㊀徐乐ꎬ李伟ꎬ张博ꎬ等.基于LMD能量熵的齿轮箱故障诊断研究[J].机械传动ꎬ2022ꎬ46(10):24-29.XULꎬLIWꎬZHANGBꎬetal.Researchongearboxfaultdi ̄agnosisbasedonLMDenergyentropy[J].JournalofMe ̄chanicalTransmissionꎬ2022ꎬ46(10):24-29.(inChinese) [7]㊀熊常亮ꎬ贺小星ꎬ马下平ꎬ等.联合LMD与EMD的GNSS站坐标时间序列去噪方法[J].测绘通报ꎬ2022(2):78-82.XIONGCLꎬHEXXꎬMAXPꎬetal.DenoisingmethodofGNSSstationcoordinatetimeseriesbasedonLMDandEMD[J].BulletinofSurveyingandMappingꎬ2022(2):78-82.(inChinese)[8]㊀曹玲玲ꎬ李晶ꎬ彭镇ꎬ等.基于EEMD和快速谱峭度的滚动轴承故障诊断研究[J].机电工程ꎬ2021ꎬ38(10):1311-1316.CAOLLꎬLIJꎬPENGZꎬetal.Faultdiagnosisofrollingbear ̄ingbasedonEEMDandfastspectralkurtosis[J].JournalofMechanical&ElectricalEngineeringꎬ2021ꎬ38(10):1311-1316.(inChinese)[9]㊀何玉灵ꎬ王珂ꎬ仲昊ꎬ等.基于最大相关峭度解卷积算法的发电机特征振动信号增强检测[J].华北电力大学学报(自然科学版)ꎬ2017ꎬ44(3):67-73ꎬ89.HEYLꎬWANGKꎬZHONGHꎬetal.Enhanceddetectionofgenerator scharacteristicvibrationsignalbasedonmaximumcorrelatedkurtosisdeconvolution[J].JournalofNorthChinaElectricPowerUniversity(NaturalScienceEdition)ꎬ2017ꎬ44(3):67-73ꎬ89.(inChinese)[10]唐道龙ꎬ李宏坤ꎬ王朝阁ꎬ等.基于参数优化MCKD的行星齿轮箱微弱故障诊断研究[J].机电工程ꎬ2018ꎬ35(8):779-785.TANGDLꎬLIHKꎬWANGCGꎬetal.Faultdiagnosisofplanetgearboxbasedonparameteroptimization sMCKD[J].JournalofMechanical&ElectricalEngineeringꎬ2018ꎬ35(8):779-785.(inChinese)[11]MCDONALDGLꎬZHAOQꎬZUOMJ.Maximumcorrelatedkurtosisdeconvolutionandapplicationongeartoothchipfaultdetection[J].MechanicalSystemsandSignalProcessingꎬ2012ꎬ33:237-255.[12]DAVOODISꎬMOSTAFAPOURA.Gasleaklocatinginsteelpipeusingwavelettransformandcross ̄correlationmethod[J].TheInternationalJournalofAdvancedManufacturingTechnologyꎬ2014ꎬ70(5/6/7/8):1125-1135.[13]刘兴教ꎬ赵学智ꎬ李伟光ꎬ等.基于峭度原则的EEMD ̄MCKD的柔性薄壁轴承故障特征提取[J].振动与冲击ꎬ2021ꎬ40(1):157-164.LIUXJꎬZHAOXZꎬLIWGꎬetal.EEMD ̄MCKDfaultfea ̄tureextractionmethodforflexiblethin ̄wallbearingbasedonkurtosisprinciple[J].JournalofVibrationandShockꎬ2021ꎬ40(1):157-164.(inChinese)(责任编辑:宋颖韬)(上接第37页)[21]王然然ꎬ魏文领ꎬ杨铭超ꎬ等.考虑协同航路规划的多无人机任务分配[J].航空学报ꎬ2020ꎬ41(S2):724234.WANGRRꎬWEIWLꎬYANGMCꎬetal.TaskallocationofmultipleUAVsconsideringcooperativerouteplanning[J].ActaAeronauticaetAstronauticaSinicaꎬ2020ꎬ41(S2):724234.(inChinese)[22]张梦颖ꎬ王蒙一ꎬ王晓东ꎬ等.基于改进合同网的无人机群协同实时任务分配问题研究[J].航空兵器ꎬ2019ꎬ26(4):38-46.ZHANGMYꎬWANGMYꎬWANGXDꎬetal.Cooperativereal ̄timetaskassignmentofUAVgroupbasedonimprovedcontractnet[J].AeroWeaponryꎬ2019ꎬ26(4):38-46.(inChinese)[23]王轩.多无人机任务分配与航迹规划算法研究[D].西安:西安电子科技大学ꎬ2020.(责任编辑:和晓军)44沈㊀阳㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀第43卷。
基于小波变换的离心风机故障诊断方法
基于小波变换的离心风机故障诊断方法摘要:异常振动是离心风机故障的主要表现形式,严重时影响生产运行。
引起风机振动的原因很多,本文运用小波变换对离心风机振动故障进行分析,总结出引起离心风机振动超标的主要原因,对故障点进行检修。
关键词:离心风机;故障诊断;小波变化Abstract:Abnormal vibration is the main form of centrifugal fan failure,affecting the production when vibrating seriously. Many causes lead to vibration of the fan. Based on the analysis of vibration fault of centrifugal fan with the method of wavelet transformation,the article summarize the main causes of vibtation of centrifugal fan,making themaintenance of fault point easier.Key words :Centrifugal fan,fault diagnosis,wavelet transform0.前言现代大型机组的安全运营越来越受到业内的重视,而故障特征的提取和分类又是振动故障诊断技术中的关键问题。
离心风机非正常振动是风机隐患的最显著表现,也是事故发生的先兆。
本文通过小波变化的诊断方法对非平稳信号分析,分解出时间与尺度平台,使其时间、频率局部化信息充分表现出来,探索出振动故障解决的方法,取得显著效果。
1.小波分析方法介绍1.1小波分析方法小波分析方法是在时域、频域内对信号进行分析处理,更好的反应信号的本质特征。
时域和频率构成了观察信号的两种方法,基于Fourier变换的信号频域表示及其能力的频域分布揭示了信号在频域的特征,它在传统的信号分析与处理中发挥了极其重要的作用。
基于小波包分解和MCKD的水泵轴承故障诊断方法
基于小波包分解和MCKD的水泵轴承故障诊断方法
蒋辉;邱露鹏;蒋强
【期刊名称】《沈阳理工大学学报》
【年(卷),期】2024(43)2
【摘要】针对水泵在实际应用中所处环境复杂、故障信号包含大量噪声难以提取的问题,提出了一种结合小波包分解和最大相关峭度解卷积(MCKD)的水泵轴承故障诊断方法。
首先,应用小波包分解对原始信号进行分解,根据分解信号的信噪比和标准差选取合适的分量进行重构;然后,采用MCKD算法对重构信号降噪处理,突出信号中的有效周期冲击成分;最后,对处理好的信号进行包络谱分析,从包络谱中得到故障频率。
实验结果表明,小波包分解和MCKD方法能够有效提取水泵轴承故障特征频率,可为工程实际应用提供参考。
【总页数】7页(P38-44)
【作者】蒋辉;邱露鹏;蒋强
【作者单位】沈阳理工大学自动化与电气工程学院;沈阳天眼智云信息科技有限公司
【正文语种】中文
【中图分类】TH133.33
【相关文献】
1.基于小波包分解和集合经验模态分解的列车转向架轴承智能故障诊断方法
2.基于小波包分解和K最近邻算法的轴承故障诊断方法
3.基于DBI-小波包分解和改进
BP神经网络的轴承故障诊断方法研究4.基于小波包分解-峭度值指标-希尔伯特包络解调融合方法处理声发射信号的滚动轴承故障诊断5.基于小波包分解的汽车发动机轴承故障诊断方法
因版权原因,仅展示原文概要,查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
等领域 .
结合 的方 法 , 于 离 心泵 的正 常 状 态 、 对 质量 不 平 衡 、 子不对 中和基 础 松 动等 故障 具有 较好 的识 转
别效果 . 除 了 振 动 信 号 外 , 口 压 力 脉 动 信 号 也 是 一 出 种 可 用 来 分 析 泵 工 作 状 态 的 对 象 . 泵 正 常 工 作 当 时 , 口压 力 的基 础 脉 动 是 由 泵 本 身 的 工 作 特 性 出 决 定 的 . 不 同 的工 作 状 态 下 , 出 口压 力 脉 动 信 在 泵 号 的 高 低 频 分 量 会 有 所 不 同 . 且 相 对 于 振 动 j而 信 号 而 言 , 力 脉 动 信 号 则 更 能 反 映 泵 的 另 一 类 压
过 计 算 的距 离 测 度 的 方法 , 实现 r离 心 泵 的故 障 识 别 . 方 法 改 进 了传 统 的 故 障 智 能 识 别 方 法 大 该
样本 和 阈值 设 定 困难 的局 限性 , 实验 验 证 了其 有 效 性 . 关 键 词 : 心泵 ; 障诊 断 ; 波 分 析 ; 成 分 分析 ; 离测 度 离 故 小 主 距 中 图 法分 类 号 : P 0 + . T 26 3 D l 1 . 9 3 ji n 1 ( - 8 3 2 1 . 6 0 0 O : 0 3 6 /.s . ( 6 2 2 . 0 0 0 . 0 s ) ]
V o.3 N O 1 4 .6
De . 2 0 c 01
21 0 0年 1 2月
基 于小 波一 主成 分分 析 的离 心泵 故 障诊 断方法
明廷 锋 ¨ 姚 晓 山
( 军 工 程 大 学船 舶 与 动 力学 院 海 武汉
王 凯。 张 永 祥 ¨
武汉 402) 30 1 400) 5 0 0
[ —] 究 了 Hi etHu n 34 研 l r— a g变 换 与 神 经 网 络 相 b
辨率 , 而在 高频部 分 具有 较 高 的时 间分 辨 率和 较
低的频率分 辨率 , 合用 于 检测 正 常信 号 中存 在 适 瞬态 现象 , 当前 用 于分 析 非平 稳信 号 的强 有力 是
离 心 泵 在 电 力 、 油 化 工 、 金 、 械 以 及 军 石 冶 机
常见故 障 ,汽蚀 ” “ 初生现象 的 出现㈣ . 多分辨 率是
小 波 分 析 技 术 的 特 性 , 主 成 分 分 析 ( 下 简 称 而 以
事等部 门作 用关 键. 行 离 心泵 故 障诊 断技 术 研 进 究 十分必要 . 离心泵在 工作过程 中, 即使 非常轻 微
骤. 以离 心 泵 出 口压 力 脉 动 信 号 作为 分 析 埘 象 , 用 改进 小 波 算 法 构 建其 特 集 ; 利 以泵 的正 常 状 态 下 测 试 数 据 为 样 本 数 据 , 过 主 成 分 分 析 , 其 特 征 集 维 数 进 行 了 约 简 , 立 了特 征 提 取 模 型. 经 对 建 通
第 学 学 报 ( 通 科 学 与工 程 版 ) 交
J our a fW uh n Uni r iy o c olgy n lo a ve st fTe hn o
f r a s o t t n S in e& r n p ra i ce c En i e rn ) r o g n e ig
开 展离心 泵的故障识 别方 法研究.
振动信 号具有信 息量大 、 非平稳 、 重复再现性 不佳 等特点 , 使得一些 基 于传 统 时域 或 频域 的分析 方 法无法及 时地反 映出系统 的运行状况 . 文献 [ ] 1 以 振动信号做 自回归变 换后 的 AR谱系数 作为特 征 向量 , 将基 于 自回归 的二维 隐 Mak v模 型 引 人 ro 到离心泵故 障诊断 中 ; 文献 E l e 结合小 波变换 与因
收 稿 日期 : o 0 0 — 2 1 - 9 1 4
离 心 泵 工 作 过 程 中 , 定 后 缘 厚 度 、 定 数 量 一 一
的叶片会 产生离 散 频率 的压 力脉 动. 而且 偏 工况 时的脱 流所引起 的紊流 , 会 产生 宽 频带 的压 力 也 脉 动. 宽频 带 的和离散频 率的压力 脉动都 和进 口、
叶 轮 、 子 ( 叶 或 蜗 壳 ) 水 力 设 计 有 复 杂 的 关 静 导 的
系. 至今没有 一个 精 确 的理 论来 预测 压 力脉 动 的
1 基 于 小 波 变换 的特 征 集构 建
1 1 小 波 变 换 技 术 .
小波 变换具 有 多分 辨率 分 析 的特 点 , 时频 在
两域都具 有表征 信 号局 部 特征 的能力 , 即在信 号
低 频部分具 有较 高的频率 分辨率 和较低 的时间分
子 隐 Mal 、 型 的离 心泵 故 障诊 断 方法 ; r , : 模  ̄ 文献
的 一 些 机 械 缺 陷 或 损 伤 都 会 引 起 整 个 系 统 的 振
P A) C 方法具有 降维作用 . 本文 以泵 的出 口压力信
号 为分 析对 象 , 小 波 分析 与 P A 分析 相结 合 , 将 C
动, 例如 , 基座 松动 、 叶片磨损 、 泵轴与传 动轴 的不
平衡 等. 因此 , 用 振 动 进 行 故 障 监 测 诊 断 是 目前 利 应用最 广泛 的方法. 于离 心 泵速 度 变化 过程 的 由
4 0 3 ) ( 军雷 达 学 院 军 械通 用 装 备 系 3 0 3 空
( 军 驻 郑 州地 区军 事 代 表 室” 郑 州 海
摘 要 : 出 了一 种 基 于小 波 主 成 分分 析 的故 障 检 测 方 法 , f 了该 方 法 进 行 离 心 泵 故 障 诊断 的 步 提 给 l j