旋轉(zhuǎn)機(jī)械故障診斷若干理論與技術(shù)的研究.pdf

1、旋轉(zhuǎn)機(jī)械是工業(yè)部門中應(yīng)用最為廣泛的一類機(jī)械設(shè)備，例如汽輪機(jī)、發(fā)電機(jī)、鼓風(fēng)機(jī)、壓縮機(jī)等諸多機(jī)械都屬于這一類。隨著科學(xué)技術(shù)的發(fā)展，旋轉(zhuǎn)機(jī)械正在向高速、重載和自動(dòng)化方向發(fā)展，對(duì)旋轉(zhuǎn)機(jī)械在設(shè)備安全、穩(wěn)定、長(zhǎng)周期、滿負(fù)荷運(yùn)行的要求也越來(lái)越高，轉(zhuǎn)子以及其它回轉(zhuǎn)部件作為旋轉(zhuǎn)機(jī)械的的核心部件，在電力、能源、交通、石油化工等領(lǐng)域中發(fā)揮著無(wú)可替代的作用。這類設(shè)備一旦發(fā)生故障，將會(huì)引發(fā)嚴(yán)重的機(jī)毀人亡事故，并造成重大的經(jīng)濟(jì)損失。所以，采用現(xiàn)代化技術(shù)，及時(shí)掌握設(shè)

2、備的運(yùn)行狀態(tài)，才能預(yù)防故障，杜絕事故，延長(zhǎng)設(shè)備運(yùn)行周期，縮短維修時(shí)間，最大限度地發(fā)揮設(shè)備的生產(chǎn)潛力，提高經(jīng)濟(jì)效益和社會(huì)效益。在新形勢(shì)下，設(shè)備現(xiàn)代化管理以及機(jī)械故障診斷正面臨著新的機(jī)遇和挑戰(zhàn)，把旋轉(zhuǎn)機(jī)械的故障識(shí)別與診斷技術(shù)引向深入，使其在現(xiàn)代化設(shè)備管理過(guò)程中發(fā)揮積極的作用，對(duì)國(guó)民經(jīng)濟(jì)建設(shè)具有普遍而又重要的意義，也是機(jī)械故障診斷領(lǐng)域的科研人員與廣大現(xiàn)場(chǎng)工程技術(shù)人員所肩負(fù)的重要任務(wù)。因此研究旋轉(zhuǎn)機(jī)械故障診斷若干理論與技術(shù)具有重要的理論和實(shí)際意

3、義。 本文以旋轉(zhuǎn)機(jī)械轉(zhuǎn)子系統(tǒng)為研究對(duì)象，采用理論研究、計(jì)算機(jī)仿真和試驗(yàn)測(cè)試相結(jié)合的研究方法，提出了基于小波理論、HMM(HiddenMarkovModels，簡(jiǎn)稱為HMM)理論以及粗糙集理論的故障分類與識(shí)別的基本算法和實(shí)現(xiàn)技術(shù)，通過(guò)對(duì)典型故障的原始信號(hào)進(jìn)行特征提取和選擇，建立相應(yīng)的故障標(biāo)準(zhǔn)模式，從而達(dá)到故障診斷的目的。全文的主要內(nèi)容如下： 第一章：論述了研究機(jī)械設(shè)備故障診斷的意義和內(nèi)容，在查閱大量國(guó)內(nèi)外文獻(xiàn)的基礎(chǔ)上，提出

4、了當(dāng)前旋轉(zhuǎn)機(jī)械故障診斷技術(shù)存在的問(wèn)題及應(yīng)研究的主要內(nèi)容。 第二章：研究了小波分析方法在旋轉(zhuǎn)機(jī)械故障診斷中的信號(hào)特征提取和診斷。首先以試驗(yàn)數(shù)據(jù)為基礎(chǔ)，利用小波變換的多分辨率分析、奇異性理論對(duì)典型故障信號(hào)進(jìn)行多尺度分解和重構(gòu)，發(fā)現(xiàn)小波分析便于對(duì)信號(hào)的總體和局部進(jìn)行刻畫，可以有針對(duì)性地選取有關(guān)頻帶的信息并且降低噪聲的干擾；其次根據(jù)小波變換系數(shù)模值與信號(hào)突變的關(guān)系，可以突出典型故障的特征頻率，達(dá)到提取裂紋故障的目的；最后利用小波包分解原

5、理對(duì)幾種典型故障進(jìn)行研究，發(fā)現(xiàn)其在通頻范圍內(nèi)可以得到不同頻段內(nèi)的分解系列，時(shí)域和頻域均有更精細(xì)的局部化分析功能；對(duì)經(jīng)過(guò)小波包分解和重構(gòu)后各個(gè)頻帶信號(hào)進(jìn)行重分配尺度譜分析，可以有效地進(jìn)行特征提取。 第三章：依據(jù)HMM的基本理論與算法，提出了利用HMM在實(shí)際故障診斷中應(yīng)注意的幾個(gè)問(wèn)題；討論了HMM初始模型的選取方法；研究了以四種典型故障為基礎(chǔ)，通過(guò)對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行加窗處理，采用自相關(guān)法提取12階LPC(LinearPrediction

6、coefficient)倒譜系數(shù)作為特征矢量，采用LBG聚類算法對(duì)特征矢量進(jìn)行矢量量化處理，得出碼本矢量，訓(xùn)練四種故障的DHMM(DiscreteHiddenMarkovModel，簡(jiǎn)稱DHMM)模型，并將部分所測(cè)數(shù)據(jù)經(jīng)矢量量化后輸入到訓(xùn)練好的DHMM中，求其對(duì)數(shù)似然概率值，概率值最大者即為故障狀態(tài)。采用K-means算法對(duì)CHMM(ContinuousHiddenMarkovModel，簡(jiǎn)稱CHMM)進(jìn)行參數(shù)初始化處理，為了防止數(shù)據(jù)下

7、溢，引入前向-后向比例因子算法求對(duì)數(shù)似然概率值。對(duì)給定的觀測(cè)序列，每一種模型的優(yōu)化路徑通過(guò)Viterbi算法來(lái)實(shí)現(xiàn)，并用Baum-Welch算法實(shí)現(xiàn)參數(shù)重估，給出了重估公式。 第四章：確定了基于粗糙集理論進(jìn)行故障診斷的技術(shù)路線；在對(duì)試驗(yàn)數(shù)據(jù)進(jìn)行分析的基礎(chǔ)上，結(jié)合典型故障的機(jī)理，根據(jù)故障的典型特征信息，構(gòu)造了包含故障信息的知識(shí)庫(kù)；對(duì)知識(shí)庫(kù)的信息屬性進(jìn)行了分析，計(jì)算了信息屬性的重要性，根據(jù)其重要性的程度來(lái)度量決策屬性對(duì)條件屬性的依賴