基于动态主题模型的往复机械故障早期预警方法

往复机械的故障早期高预警准确率对于设备安全运维具有重要意义。目前企业广泛应用的单特征门限报警方法存在预警准确率普遍较低的问题,这主要是由往复机械运行过程中振动激励性信号的非平稳性导致。针对该问题,提出一种基于动态主题模型(dynamic topic model, DTM)的往复机械故障早期预警方法。该方法运用机器统计学习的主题模型建模方法,基于往复机械正常运行状态的数据生成正常运行数据模型分布,并将其作为基准模型,根据实时工况状态数据建立的混合模型与基准混合模型间的差异实现对往复机械的故障早期预警。最后,分别采用往复压缩机工程案例数据和故障模拟试验数据对所提方法进行验证,结果表明：所提方法可准确识别设备的异常状态,同时减少了预警分析计算时间,有效提升了往复机械故障早期预警的准确性和时效性。     

降噪自编码器在机械设备故障预警中的应用

针对目前复杂机械设备大多采用单特征值门限报警法,无法实现提前预警的现状,提出一种基于降噪自编码器（denoising autoencoder,DAE）的特征自学习方法,将高维监测数据编码成低维特征,作为设备运行状态的特征表示,通过度量待测样本编码特征与基准的距离实现故障预警。实验结果表明,本文方法能够区分正常样本特征与任意故障样本特征,并能降低变工况及环境噪声干扰的影响;工程应用案例表明,本文方法能够发现设备故障发生前的微弱征兆,实现提前预警。     

一维卷积神经网络在往复式压缩机气阀故障诊断中的应用

针对往复式压缩机气阀故障诊断问题，对气阀盖上的振动信号进行分析，提出了一种基于一维卷积神经网络(1D-CNN)的故障诊断模型。首先，将原始一维振动信号经傅里叶变换从时域转换为频域；然后，将频域信号作为1D-CNN的输入，利用卷积层实现自适应提取特征；最后，网络输出层利用Softmax函数实现多种故障的模式识别。在往复式压缩机故障模拟实验台上进行了气阀正常、阀片裂纹、阀片断裂、弹簧失效4种工作状况下气阀盖振动信号的测量并对提出的模型进行验证。结果表明，气阀盖上的振动信号能够明显反映气阀的工作状态，而且信号易提取、十分适合用于气阀的故障诊断；将振动信号从时域转换成频域作为1D-CNN的输入明显地提高了故障分类的准确率；与采用原始一维振动信号作为1D-CNN输入的模型相比，采用频域信号作为输入的故障诊断模型具有更优越的表现，准确率更高，可达100%,而且模型结构简单，能够实现端到端的快速故障诊断。     

往复式压缩机故障信息模糊二元树诊断方法研究

结合图论理论和局域波理论,提出了一种基于模糊图的往复式压缩机故障诊断方法.首先将往复式压缩机故障信号进行局域波时频处理,根据系统的故障状态-特征表,找出最大故障信息量特征群.基于图论理论建立最大故障信息量模糊图,通过对模糊图的分析,找出可以进行匹配的路径信息量最大的部件.该方法应用于某往复式压缩机故障诊断中,具有一定的工程实用性.     

变工况下基于加权理论的气阀泄漏诊断方法研究

往复式压缩机是石油化工等行业中不可或缺的关键设备，而压缩机结构复杂、故障率高，其中气阀故障是其主要的故障形式之一。同时，负荷调节工况与气阀故障工况的相互耦合使得示功图变化规律更加复杂，增加了故障诊断的难度。为此，探究了变负荷及气阀故障工况下示功图几何特征的变化规律，提出一种针对变负荷与气阀故障耦合工况下的气阀故障诊断方法。该方法利用反向传播（BP）神经网络进行特征分类，首先分别依据示功图几何特征（包括面积、形心和形心主惯性矩等）以及灰度矩阵统计特征得到压缩机的负荷，再进一步结合故障特征判断气阀的故障类型。为提高诊断结果的准确度，将加权证据融合理论应用于故障分类过程，最终获得精准的气阀故障评估结果。基于实验台数据，对不同泄漏率的气阀故障进行实验验证，负荷预测的准确率为97.5%，气阀泄漏故障识别的准确率为96.1%。     

包络解调法在气阀弹簧失效故障诊断中的应用

考虑到往复式压缩机振动具有振源丰富、信息干扰大的特点，利用包络解调法分离出系统固有频率成分的振动信号。该包络信号每一峰值对应阀片的每一个冲击。对气阀半个周期内(包含气阀开启到关闭一次的过程)的时域信号进行包络解调处理，提取气阀开启、关闭、颤震等几处故障的时频特征信息来诊断弹簧失效故障，同时给出了弹簧失效系数的计算公式。以塔里木油田16SGT／MH-66注气压缩机为例进行了试验，故障诊断准确率大于85％，分析结果证明了该方法的正确性及有效性。     

基于FSK-CNN的轴承故障诊断研究

在旋转机械设备的运维保障过程中，采用基于专家经验的传统故障检测方法难以对轴承的健康状态做出实时的状态检测。针对这一问题，本文提出一种基于快速谱峭度与卷积神经网络（FSK-CNN）的故障诊断方法。首先采用快速谱峭度（FSK）法对振动信号进行特征提取，将一维时域信号转化为二维的谱峭度图；之后，采用一种结合卷积注意力模块（CBAM）的卷积神经网络模型完成故障分类。试验结果表明，快速谱峭度法可以有效提取轴承振动信号故障特征，引入卷积注意力模块对传统卷积神经网络模型具有明显的优化作用，FSK-CNN的故障诊断方法对于10种不同的轴承故障类型的诊断准确率可以达到99%。     

基于改进G-P算法的往复式压缩机故障诊断技术

采用基于经验模态分解的G-P算法提取往复式压缩机振动信号关联维数,建立了小波降噪模型,利用自相关函数法和伪相图法结合起来确定延迟时间,并采用EMD法计算嵌入维数,通过洛仑兹系统的仿真研究,将此法应用在往复式压缩机模拟故障试验中,诊断效果较好。     

包络解调法在气阀弹簧失效故障诊断中的应用

考虑到往复式压缩机振动具有振源丰富、信息干扰大的特点,利用包络解调法分离出系统固有频率成分的振动信号。该包络信号每一峰值对应阀片的每一个冲击。对气阀半个周期内(包含气阀开启到关闭一次的过程)的时域信号进行包络解调处理,提取气阀开启、关闭、颤震等几处故障的时频特征信息来诊断弹簧失效故障,同时给出了弹簧失效系数的计算公式。以塔里木油田16SGT/MH 66注气压缩机为例进行了试验,故障诊断准确率大于85%,分析结果证明了该方法的正确性及有效性。     

变工况下基于加权理论的气阀泄漏诊断方法研究

往复式压缩机是石油化工等行业中不可或缺的关键设备,而压缩机结构复杂、故障率高,其中气阀故障是其主要的故障形式之一。同时,负荷调节工况与气阀故障工况的相互耦合使得示功图变化规律更加复杂,增加了故障诊断的难度。为此,探究了变负荷及气阀故障工况下示功图几何特征的变化规律,提出一种针对变负荷与气阀故障耦合工况下的气阀故障诊断方法。该方法利用反向传播（BP）神经网络进行特征分类,首先分别依据示功图几何特征（包括面积、形心和形心主惯性矩等）以及灰度矩阵统计特征得到压缩机的负荷,再进一步结合故障特征判断气阀的故障类型。为提高诊断结果的准确度,将加权证据融合理论应用于故障分类过程,最终获得精准的气阀故障评估结果。基于实验台数据,对不同泄漏率的气阀故障进行实验验证,负荷预测的准确率为97.5%,气阀泄漏故障识别的准确率为96.1%。     

基于谱熵梅尔积和改进VMD的轴承故障预警

针对传统轴承故障预警实时性较差、故障特征提取准确性影响预警效果的问题,将语音端点识别思想进行迁移,采用谱熵梅尔积特征的双门限法实时追踪故障起始点.为克服变分模态分解（variational mode decomposition,VMD）参数选取不当和端点效应对提取效果造成的影响,提出能量差网格搜索法对VMD进行参数寻优,并用支持向量回归机对端点效应进行抑制,结合多尺度加权排列熵在检测振动信号随机性方面的优势,充分发挥VMD对信号的重构能力,对起始点后的故障段进行特征捕捉.通过实际轴承故障信号的实验及数据分析,验证了该方法在轴承故障预警中的有效性.      

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。     

基于时频图像GLCM-HOG特征的往复压缩机故障诊断

往复压缩机的故障诊断技术能够为工业生产提供有效保障,针对传统方法诊断准确率不高的问题,提出了一种基于振动信号时频图像灰度共生矩阵-方向梯度直方图(GLCM-HOG)特征融合的往复压缩机故障诊断方法.首先,采用小波变换的方法处理往复压缩机的振动信号,生成时频图像;其次,利用灰度共生矩阵(GLCM)和方向梯度直方图(HOG)的方法提取时频图像特征,融合构建GLCM-HOG特征;最后,将融合特征输入支持向量机(SVM)进行分类,以判别往复压缩机的运行状态.实验结果表明,所提方法对设备的状态识别准确率可以达到92.33％,能够实现往复压缩机的准确诊断.     

二维曲线相似与统计学原理在旋转设备故障识别中的应用

在机械设备状态检修中使用振动故障诊断已经相当普及。目前普遍采用设置阈值或数值的变化趋势实现故障预警,再通过大量的故障诊断算法实现故障识别。提出一种新的基于几何相似和统计学原理的故障频谱相似度算法,可以简单有效快速的实现故障识别。     

基于大数据挖掘的电力变压器差异预警规则

考虑到模糊边界问题以及变压器个体之间的差异性特征,提出了一种基于大数据挖掘的电力变压器健康状态差异预警规则策略.应用模糊C-均值法辨识变压器的最优特性,通过概率图验证所提方法能最大限度地反映变压器的个性化特征,且所选特特征下的全套溶解数据符合Weibull模型.然后对溶解气体分布特征与缺陷/故障率进行关联分析,计算出相应的报警阈值.将气体浓度和气体增加率与已建立的警告相关联,可以识别变压器的运行状态,在此基础上,提出了基于不同阈值的预警规则,并将其应用于现场运行的变压器.试验结果表明:提出的方法准确率高达98.21％,证明了本文方法具有良好的状态监测性能.     

基于缸盖振动信号包络线相关分析的柴油机故障预警方法研究

针对柴油机故障特征易受到环境、载荷等因素的干扰,从而导致许多传统意义上的故障特征参数不再敏感的问题,提出了一种基于缸盖振动信号包络线相关分析的柴油机故障预警方法,对一台6缸柴油机的缸盖振动信号对比了希尔伯特变换和n阶极值插值两种方法的包络线提取效果,并对其包络线进行相关分析,得到了相似系数、距离标准差以及余弦相似度等相关分析结果。研究结果表明：在传统特征参数不敏感的情况下,相关分析可以更好地反映机组的故障状态。本文研究结果可为实现柴油机故障的早期预警奠定基础。     

Fault Diagnosis of Reciprocating Compressors Valve Based on Cyclostationary Method

The relationship between second-order cyclostationary method and time-frequency distribution is studied,and cyclic autocorrelation(CA) function is indicated to be one sort of special time-frequency distribution method.Furthermore,a fault diagnosis method for reciprocating compressors based on empirical mode decomposition (EMD) and CA function is proposed,and then it is applied to the fault diagnosis of reciprocating compressor valve.Firstly,the vibration signal of reciprocating compressor valve is decomposed by using EMD method,and several intrinsic mode functions (IMFs) are obtained.Secondly,the IMFs are evaluated by some denoising criterions to remove the noise and interfering ones.Finally,the CA functions of the remained IMFs are calculated,which will be used to reconstruct the CA function of the original vibration signal.Engineering application indicates that this method can sufficiently inhibit the cross-interference items of CA function.Therefore,more explicit working conditions of reciprocating compressor components can be achieved.     

谐波小波样本熵与HMM模型的轴承故障模式识别

根据谐波小波分解非平稳振动信号优良特性与隐马尔科夫(HMM)模型的时序模式分类能力,提出了一种基于谐波小波样本熵与HMM模型结合的轴承故障模式识别方法.该方法首先利用谐波小波对轴承各个状态故障信号进行分解,进而由谐波小波三维时频网格图的频率层数特征计算合理的样本熵维数和阈值,依次提取轴承振动信号各层的样本熵构成特征向量序列;然后将序列前120组输入HMM模型中进行训练得到对应故障模型,剩余80组进行测试与识别,通过对比对数似然估计概率输出值确定轴承故障类型.实验通过与BP和RBF神经网络模型进行不同训练组数的正确识别率对比,验证了该组合方法具有识别准确率高,稳定性强的优点.     

基于EEMD与模糊信息熵的旋转机械故障诊断方法

针对旋转机械故障识别率偏低的问题,提出一种基于EEMD与模糊信息熵的旋转机械故障诊断方法.该方法结合EEMD分解和模糊信息熵在特征提取方面的优势,构造出一种能够精细度量不同类别振动信号故障概率复杂度的特征集合.首先将原振动信号进行EEMD分解,获得若干个本征模态函数(IMFs);计算出前5个高频IMF分量的模糊信息熵组成高维特征集;利用LPP对高维特征集进行维数约简剔除冗余不相关特征;最后将约简后的样本集输入到KNN分类器中进行故障识别.用双跨转子实验台采集的数据对所述方法进行验证,并与EMD模糊熵、EMD模糊信息熵、EEMD模糊熵方法进行故障识别率对比,结果表明该方法能够有效提取转子振动信号的故障特征,并且具有更高的故障识别率.