基于振动机理特征的变工况往复机械故障智能诊断方法
作为重要的往复动力机械，往复压缩机、活塞式发动机被广泛应用于农业、矿业、核电、石化行业、国防军工、船舶运输、城市交通等领域。往复机械作为重要的动力来源，其正常平稳运行对整个系统来说至关重要。但由于往复机械的工作特性，使其经常工作在振动噪声大、干扰噪声强、工况多变的复杂环境下，同时与旋转机械不同，往复机械运动部件多、结构紧凑，其振动信号非平稳非线性的特点突出，各种信号耦合在一起，特征提取难度大，给设备的状态监测造成极大的困难。往复机械运行状态的平稳与否，将直接影响整套设备的运行时间与检修成本，进而影响产生的经济效益和系统可靠性，因此对往复设备及进行故障诊断研究具有十分重要的意义。近年来深度学习方法的快速发展，也为我们提供了解决非平稳非线性信号特征提取的方法。本文针对往复机械智能工况识别及故障诊断问题，主要进行了以下研究工作: (1)提出基于图像相似度比较的信号整周期截取方法，然后提出了基于EEMD的振动信号降噪方法，对振动信号降噪后提取了时域、频域和时频域机理特征;针对活塞杆位移信号，从活塞杆运动机理层面提出了一种精确的轴心位置计算方法并在此基础上提出了活塞杆轴心轨迹包络方法;之后进一步的利用信息熵理论，提取了前述机理特征的信息熵特征; (2)针对往复机械的工况识别问题，融合CNN、LSTM、注意力机制三种深度学习方法，利用贝叶斯优化方法对超参数进行选择，构建了基于注意力机制的卷积循环神经网络模型(CRNN-AM)，分别利用柴油机和往复压缩机变工况数据对模型进行了验证，CRNN-AM对两种往复机械的工况识别准确率均达到了90％以上; (3)针对往复机械工况与故障耦合的问题，在CRNN-AM的基础上添加了故障特征提取部分，将工况和故障特征进行了融合，形成了多特征提取CRNN-AM模型;利用柴油机气门间隙异常故障、往复压缩机活塞组件故障和撞缸故障对模型进行了验证，结果表明，模型对几种故障的识别准确率达到了100％。
往复机械;机理特征;深度学习;负荷识别;故障诊断
北京化工大学
硕士
动力工程及工程热物理
高金吉
2021
中文
TP18;TH171
2021-09-06（万方平台首次上网日期，不代表论文的发表时间）