旋转机械转轴裂纹损伤故障研究进展

综述了近年来旋转机械转轴裂纹损伤故障诊断研究的主要成果和发展前景。首先,对旋转机械转子系统转轴裂纹损伤非线性特性的研究方法、裂纹刚度模型和非线性动力学特性问题的国内外研究现状进行了概述。在此基础上,指出了目前旋转机械转轴裂纹损伤故障问题研究尚待解决的问题,并对今后的发展趋势进行了展望。     

基于EMD的旋转机械裂纹松动耦合故障诊断方法研究

针对旋转机械耦合故障的诊断问题,建立了含有裂纹-松动耦合故障的转子-轴承系统动力学模型,并用龙格库塔法求出故障模型振动信号。利用EMD(Empirical Mode Decomposition)方法对振动信号进行分解,得到含有故障特征的本征模式函数(IntrinsicMode Function,简称IMF)。对IMF做希尔伯特变换得到振动信号边界谱,通过分析边界谱的倍频情况并与单一故障信号作比较,诊断出故障信号同时含有裂纹和松动故障特征,说明该故障系统存在裂纹松动耦合故障,并证明EMD方法在旋转机械耦合故障诊断方面的有效性。     

旋转机械常见故障的振动三维谱特征及其识别

变速过程中振动特征的提取及其识别对于旋转机械故障诊断是极其重要的，本文通过对发电设备旋转机械中常见的不对中、轴裂纹、动静件碰摩、基础部件松动故障的运动微分方程及三维谱图的分析，讨论了变速过程中系统振动所包含的故障信息。分析表明这几类带有故障的转子系统都是非线性振动系统，振动三维谱图中含有丰富的高次谐波分量，可以用对三维谱图进行扫描的方法来发现故障信息。三维谱图可以丰富旋转机械故障诊断系统知识库中的振动特征信息，对于更准确地诊断发电设备中的故障具有重要的意义     

一种基于人工神经网络的旋转机械故障监测方法

把神经网络与数字信号处理相结合，提出并实现了一种基于神经网络的旋转机械在线故障监测系统，主要用于识别旋转机械的一些常见故障如转子不平衡振动、转子零部件松动、油膜涡动等等。系统主要由数字信号采集、数字信号预处理和Ｂ－Ｐ神经网络几部分组成。在神经网络中采用批处理加动量项的梯度下降算法学习。仿真结果表明该故障监测系统在故障识别率等各方面性能指标均优于传统的基于知识的工况监测与故障诊断系统。     

旋转机械松动故障的非线性力学模型

建立了一个松动故障的非线性力学模型,既考虑了松动故障因刚度分段变化引起的强非线性特征,还考虑了松动故障存在间隙时对系统产生的周期性冲击作用.本模型可以同时模拟松动故障的高阶谐波与次谐波响应现象,而不含冲击作用的分段线性系统则基本表现为次谐波响应.模型计算结果表明根据本模型计算得出的松动故障振动现象与实验测试结果更为一致;松动故障的高阶谐波是由冲击激励产生,响应幅值与冲击力幅值成正比,而阻尼对松动故障系统的振动响应影响较小.利用该模型对旋转机械的松动故障诊断具有实用价值.     

BP算法在旋转机械故障诊断中的应用

分析了旋转机械故障的特性,在此基础上对基于BP算法的诊断方法进行了研究,建立了旋转机械故障诊断的神经网络模型,对基于BP网络的汽轮发电机组的故障进行了诊断。实验证明,基于BP网络的旋转机械故障诊断方法具有较高的使用价值。     

旋转机械运行状态数据库的模糊聚类研究

旋转机械是化工、发电、高速运输工具动力系统的关键设备，为减少因定期维修或突发故障造成的经济损失，需对其进行实时状态监测，建立特定机组的历史故障或状态数据库。本文把旋转机械的振动频谱、润滑油温度等物理参量作为特征参量，利用模糊数学及多元分析原理对旋转机械状态监测系统数据库的建立进行了研究并将研究结果应用于实际机组，取得了很好的效果。     

旋转机械设备故障管理与对策

设备管理工作的好坏直接关系到企业的生产效率。本文针对昆明工程勘察公司目前旋转机械维修中存在的主要问题,通过对设备管理制度、设备类型、故障特点的深入研究,提出了对旋转机械设备故障管理的一些建议性的对策。     

基于LabVIEW的多功能转子故障模拟测试系统设计

不平衡、不对中、弯曲、松动、碰摩等故障常导致旋转机械动态特性恶化。对转子振动信号的监测与分析,是判断设备故障类型及预测故障发展趋势的主要手段。本文开发出一种可实现故障模拟的多功能转子振动测试系统。通过改变轮盘的不平衡质量、调整轴承座的高度、控制润滑状态等方法模拟转子动平衡、不对中、轴承故障等多项实验。测试系统由转子实验台、传感器与信号调理设备、NI公司的6009数据采集卡及计算机组成。采用LabVIEW8．5设计了测试系统软件,详细讨论了转速、加速度及位移信号的采集与处理方法。测试结果表明,不同工作状态下轴承座振动信号的时域、频域波形和转子轴心轨迹形状可用于表征转子各单项及综合故障。     

旋转机械故障诊断中相对时相的提取及分析

通过对旋转机械相位信息的研究,提出从倍频相位中提取相对时相作为诊断特征量,讨论了相对时相所包含的故障信息及在不同故障种类中的表征.研究结果表明,相对时相在旋转机械故障诊断中有较大的实用价值.     

基于信息熵贴近度的旋转机械故障诊断

基于信息融合的思想，研究了反映振动能量的旋转机械故障状态的各种信息熵特征，如奇异谱熵、功率谱熵、小波空间状态特征谱熵和小波能谱熵．通过转子试验，给出了旋转机械的不平衡、不对中、支座松动、轴裂纹典型故障下的各信息熵的变化范围．根据越相似的模式间距离越短原理，提出采用贴近度来进行模式识别的方法．首先利用贴近度原理和熵带构建了信息熵贴近度模型，其次计算出待识别状态与各典型故障之间的信息熵贴近度值，则对应于待识别状态之间的信息熵贴近度最大的即为待识别状态的故障模式，最后通过实例描述了基于信息熵贴近度的旋转机械故障诊断方法的可行性．     

带有支座松动故障的转子-轴承系统的混沌特性

应用现代非线性动力学理论,分析了带有一端支座松动故障的简单转子系统的复杂运动现象,讨论了转速变化时系统具有的多种形式的周期、拟周期和混沌运动。在拟周期与混沌运动的轨道中,轨迹的方向性可以更清楚地表现出来。这类系统的某些周期运动的映射点结构具有慢变特性,有些表现为长时间下的拟周期运动;另外某些Ｐｏｉｎｃａｒｅ映射点的结构随时间的变化出现分岔。系统的这些复杂运动特征可望用来诊断这一故障。     

Fault Identification of Rotor Machine Based on Optimized Method

The size and complexity of modern equipment require more advanced fault diagnosis techniques Different from signal analysis based methods, a dynamic model based diagnosis technique can further diagnose the location and severity of the fault, and detect multiple faults at one time. A model based fault diagnosis method was developed to identify typical faults of rotating machinery. This method can identify mass unbalances, crack locations and sizes, and oil film parameters in rotating machinery by optimization methods and dynamics simulation technique. Numerical and experimental results demonstrate that the method is useful for detecting faults of rotating systems.     

转子系统松动故障特征分析

针对工程中经常出现的一类轴承盖松动故障,综合考虑各种支座松动模型的优缺点,提出了一种新的松动模型.采用有限元方法对发生松动故障的转子系统进行模拟,得到系统的故障特征.结果表明:当等效松动质量振动位移小于松动间隙值,松动刚度减小时,系统经历了周期1、周期2最后达到周期4运动,且低频成分幅值在逐渐增大,轴心轨迹由椭圆变为螺旋状;当等效松动质量位移大于最大间隙值,松动间隙减少时,系统出现了高倍频成分和连续谱,轴心运动受到双面约束,在松动间隙很小时,呈一个"梯形"状.这些在不同情况下得到的故障特征,有助于对该类故障的诊断分析.     

转子系统动静件径向摩擦的振动特征

动静件碰摩是旋转机械中较常见且难以确诊的一类故障．本文分析了具有线性支承和非线性刚度转轴的Ｊｅｆｃｏｔ转子系统发生动静件径向接触摩擦时的振动特征,揭示了其多吸引子共存、拟周期振动、次谐波振动以及分叉等非线性动力行为,得出的结论有助于旋转机械摩擦类故障的准确诊断．图６、参９．     

关联维数在旋转机械支承系统状态监测中的应用

提出用关联维数来定量描述旋转机械支承系统的工作状态，进而对系统进行故障诊断，文中首先采用迭代奇异值降噪算法对转子支承系统不同状态下的信号进行降噪处理，然后计算子信号的关联维数，分析结果表明，系统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支承系统工作状态的特征参数，并能提供设备故障诊断的准确率。     

Application of Kernel GDA to Performance Monitoring and Fault Diagnosis for Rotating Machinery

Faults in rotating machine are difficult to detect and identify,especially when the system is complex and nonlinear.In order to solve this problem,a novel performance monitoring and fault diagnosis method based on kernel generalized discriminant analysis(kernel GDA,KGDA) was proposed.Through KGDA,the data were mapped from the original space to the high-dimensional feature space.Then the statistic distance between normal data and test data was constructed to detect whether a fault was occurring.If a fault had occurred,similar analysis was used to identify the type of faults.The effectiveness of the proposed method was evaluated by simulation results of vibration signal fault dataset in the rotating machinery,which was scalable to different rotating machinery.