E-GB110型风机机组支撑结构的振动分析

为了解决E-GB110风机机组出现强烈振动的问题,利用振动测试和有限元分析对风机机组和支撑系统进行分析,诊断出振动主要是机器和支撑结构发生了共振。通过支撑结构计算机模型优化,确定了支撑结构的改造方案,并实施改造。在改造的同时,对风机机组进行检修。改造后振动明显减小,符合国家标准。保证了机组的高效、安全运行。     

篦冷机风机故障的诊断研究

风机设备故障造成整个生产线停产的事故在水泥厂时有发生,风机的故障是可以通过振动诊断技术来提前进行预防的,故障的振动信号是含有大量丰富重要的信息,通过这些信息来反映出故障所具有的振动特性。频谱图是频谱分析法对诊断信息的一种表达方式。频谱分析方法对水泥厂篦冷机及其他设备所用风机的管理与维修提供了科学根据。     

T-S模糊神经网络在风机故障诊断中的应用

针对供热锅炉房风机故障的不确定性和复杂性的特点,结合神经网络的自适应自学习能力和模糊系统利用语言描述来获取知识的优点,建立了一种基于T-S模糊神经网络的风机二级故障诊断模型,以风机常见故障振动信号的特征频谱峰值变化为依据,诊断故障类型,并对故障原因进行识别。应用MATLAB软件进行系统仿真测试,通过实例与BP神经网络进行了对比分析,结果表明基于模糊神经网络的故障诊断方法收敛速度快、诊断精度高、效果较稳定,能够有效地诊断风机故障。     

浅谈风机振动故障的原因

引送风机是电厂锅炉的重要辅机,风机出现故障或事故时,将引起发电机组降低出力或停运,造成发电量损失。而在历次故障处理中出现最多、影响最大的就是风机振动,因此,当振动故障出现时,尤其是在故障预兆期内振动值未超标时,应迅速作出正确的诊断,具有重要意义。     

探析风机振动的原因及处理

在发电厂诸多设备中,风机是为发电工程提供能量的装置。风机运行过程中的主要问题就是控制其振动。风机振动影响电厂发电效率且容易产生安全事故,笔者结合该厂的风机针对现象和自身工作经验分析了风机振动的原因,并给出了具体的解决办法。     

风机振动原因分析及处理

对可能造成风机振动的原因进行了总体介绍,并通过某电厂#1机组离心式一次风机轴向振动大的解决过程,对风机振动的分析处理过程进行了介绍。     

基于证据理论和支持向量机的风机故障智能诊断

为了提高风机故障的诊断精度, 提出一种证据理论和支持向量机相融合的风机故障识别方法. 首先从振动信号中提取Wigner-Ville谱熵作为风机故障诊断特征; 然后采用不同核函数支持向量机进行训练, 建立风机故障诊断的子分类器; 最后采用DS证据理论对子分类器的输出结果进行融合, 并对其性能进行仿真测试. 实验结果表明, 该方法可以充分利用全部故障信息, 诊断结果更接近期望值, 诊断效果优于其他风机故障诊断方法.     

海上风机结构振动监测试验与特性分析

以某海上风电试验样机为研究对象,基于现场原型观测获取整体风机结构在停机、正常运行、开(停)机及台风工况下的振动响应数据,系统地分析海上风机结构在不同运行状态下的振动响应时频域特性与变化规律,探讨影响海上风机结构振动的关键因素及其对风机振动安全性的影响规律.结果表明:在风机处于停机状态下,结构振动随环境风速的增加而显著增大;而运行状态时,叶轮转速对结构振动影响效应明显,对振动变化起到主导作用.海上风机在开(停)机过渡过程中振动显著大于正常运行状态,台风期风机在额定转速运行时的振动超过实测最大风速时停机工况的响应.塔筒顶部与基础顶部振动响应同步性说明整体风机具有很好的变形协调性.     

浅谈风机的振动

针对生产中出现的风机工作引起的剧烈振动使轴承损坏造成停产的问题，分析了风机产生振动的原因，并根据风机振动的基本特点，提出了整治与改进的措施，达到了一定控制效果。     

重油催化裂化装置主风机组电机振动异常的原因分析

重油催化裂化装置主风机组电机振动突然由50多μm增加到100μm,而且有较大的波动,甚至有时达到160μm,通过分析振动趋势图、波形频谱图、轴心轨迹图、降负荷与振动的关系图以及油温、油压与振动的关系图,找到了重油催化裂化装置主风机组电机振动异常的真正原因是由于油温的降低引起油压的变化从而引起了油膜涡动,从而引起了主风机组电机振动异常。     

基于振动信号分析的感应电机气隙偏心故障诊断

电机的偏心故障会引起气隙磁场不均匀,由电磁感应理论可知,不平衡的磁场作用在定转子上会产生不平衡磁拉力,使电机发生异常振动,故电机的振动信号可间接反映内部磁场变化,进而有利于判断电机内部是否发生气隙偏心故障.主要分析了振动信号与偏心故障间的关系,先分析电机气隙大小对磁场的影响,计算出振动作用力大小;再通过故障模拟平台测得数据对理论分析得出的故障特征频率进行验证;总结了气隙偏心故障与电机机械振动现象间的关系.     

基于邻域粒子群优化神经网络的异步电动机振动故障诊断

为了提高异步电动机振动故障诊断的准确性,提出了基于邻域粒子群优化神经网络的异步电动机振动故障诊断方法.首先对实验室异步电动机各类常见故障进行测试,然后选择异步电动机不同位置振动信号的特征频率作为神经网络的输入,最终利用邻域粒子群优化后的神经网络进行异步电动机振动的故障诊断.实验结果表明:与其他诊断方法相比,该方法具有较高的诊断精度.此方法适合应用在异步电动机振动故障诊断中,具有推广应用价值.     

烧结风机故障诊断应用

通过对烧结风机滑动轴承特性计算及从风机转子结构出发,建立风机转子-轴承系统的力学模型,用来校核系统的稳定性、分析影响稳定性的各种因素及查找风机系统存在振动问题的原因.同时应用旋转机械状态监测故障诊断CAMD-6100系统,对现场烧结风机进行监测,分析监测数据,最终找出故障原因,并加以解决.     

车用发电机定子绕组匝间短路故障下转子弯扭耦合振动特性分析

运用数值积分法,在建立发电机转子系统弯扭耦合振动模型基础上,考虑定子绕组匝间短路故障时发电机转子弯曲及扭转电磁刚度的影响,对不同程度匝间短路故障下转子的弯曲及扭转振动特性进行分析。结果表明,发电机定子匝间短路故障不仅会使转子弯曲和扭转振动加强,还会增加转子弯振和扭振中的倍频及高倍频成分;随短路程度加大,弯振的1、3、5等奇数次倍频振动量与扭振的2、4等偶数次倍频振动量逐渐增加,且弯振中1倍频振动量最大,扭振中2倍频振动量变化最为显著。     

基于局部特征尺度分解的汽轮机故障诊断研究

为了提高汽轮机故障诊断的精确性,文章运用转子振动实验台来模拟汽轮机转子的振动信号,对运行中的三种故障振动信号进行采集,然后运用局部特征尺度分解方法对汽轮机振动信号时间序列进行特征提取,组成特征向量。利用极限学习机作为故障诊断分类器,结果表明,局部特征尺度分解特征提取和极限学习机的诊断模型能够准确地对汽轮机故障进行诊断,具有很高的实际应用意义。     

经验模式分解在汽轮机局部碰摩故障信号分析中的应用

采用经验模式分解（Empirical Mode Decomposition,简称EMD）方法对汽轮机转子局部碰摩振动信号进行分解,实现碰摩、噪声和背景信号的分离,从而提取局部碰摩振动信号的故障特征．分析结果表明,对具有局部碰摩故障的汽轮机振动信号进行EMD分解得到的内蕴模态函数（IMF）具有明显的碰摩特性．EMD方法可以有效地应用于汽轮机转子局部碰摩故障诊断中．     

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。     

基于声卡的乳化液泵故障诊断系统

通过分析乳化液泵排、吸液阀振动产生的机理设计了泵的振动信号测试系统和泵的故障诊断软件。测试系统采用PC计算机、电涡传感器,声卡,建立了乳化液泵振动信号的信号采集系统并对测点的安放进行了说明。用声卡成功地代替了一般的数据采集卡来采集振动信号,有效的降低了整个测试系统的成本。乳化液泵故障诊断系统软件主要包括主调度模块、功能模块组、人工神经网络程序包和数据库等部分。主调度模块主要控制和协调诊断系统其它部分的工作。诊断系统软件的在线故障诊断功能、事后故障诊断功能、人工神经网络的训练以及其它工具的功能都是通过它调用相应的功能模块或子程序来实现的。中心数据库是为整个乳化液泵状态监测与故障诊断系统服务其主要功能是存储各种过程参数和故障诊断参数。     

基于振动特征估计的气体绝缘开关设备故障检测与定位

为了有效检测气体绝缘金属全封闭开关设备(Gas Insulated Switchgear, GIS)故障,提出一种基于振动特征分析的GIS设备故障检测与定位方法。首先,选取GIS金属外壳多测点振动信号作为设备的状态变量。然后,构建多输出支持向量回归(Multi-Output Support Vector Regression, MOSVR)模型对GIS设备多测点振动特征进行回归估计,并利用多测点振动特征残差相对值计算故障预警指标。之后,利用指数移动加权平均方法计算自适应阈值来衡量故障预警指标的变化趋势以实现设备的故障检测。检测出故障后,利用箱形图分析多测点振动特征残差来定位设备故障。最后,利用现场实测信号验证了提出方法的有效性。     

基于EEMD能量熵和支持向量机的齿轮故障诊断方法

针对齿轮振动信号的非平稳特征和现实中难以获得大量典型故障样本的实际情况,提出基于总体平均经验模态分解(EEMD)和支持向量机的齿轮故障诊断方法.通过EEMD方法将非平稳的原始加速度振动信号分解成若干个平稳的本征模函数(IMF);齿轮发生不同的故障时,在不同频带内的信号能量值会发生改变,故可通过计算不同振动信号的EEMD能量熵判断是否发生故障;从包含有主要故障信息的IMF分量中提取出来的能量特征作为输入建立支持向量机,判断齿轮的工作状态和故障类型.实验结果表明:文中提出的方法能有效地应用于齿轮的故障诊断.