论文部分内容阅读
作为大型旋转机械设备的核心部件,转子系统在高速重载的工作运行条件下极易发生各种故障。转子碰摩故障作为其中一种典型常见的故障,当其出现时,轻则会降低机械运行效率使传递的有效能量损失,重则会导致严重的安全事故与经济损失,因此国内外专家对转子系统碰摩故障的识别与诊断做了大量系统性的理论和试验研究。通常出发点是提取转子振动信号的故障特征,然而受限于设备所处的环境条件,采集振动信号的传感器安装不便,加之机械谐振与噪声对有用信号的干扰都会对诊断效果产生影响,此时迫切需要一种灵活高效的信号采集方法。电机电流信号分析法(MCSA),是以电动机的定子电流作为信号分析的出发点,对电动机本体及拖动负载的故障进行诊断,可以弥补以直接接触测量信号为主的信号分析方法的不足。本研究参考转子系统的动力学相关理论,主要利用电机电流信号对转子系统碰摩故障诊断方法进行探索。根据碰摩转子的力学简化模型,推导出转子弯扭耦合运动微分方程。结合电磁学以及电机结构理论,把电磁扭矩作为纽带来连接负载扭矩,在MATLAB/Simulink软件环境中建立转子系统碰摩机电耦合仿真模型。分别控制转轴转速、偏心量以及定子刚度大小来进行仿真研究,利用傅里叶变换得到对应电流信号的频谱并对其频率调制现象进行分析,找到了电流谱中碰摩激励的调制规律。搭建转子试验台进行现场试验,完成转子碰摩时的电机电流信号采集工作,验证仿真结果,研究转子系统存在碰摩故障与电机定子电流耦合特性。为了研究转子单点碰摩这一特殊故障,分别从仿真和试验的角度出发结合定子电流信号与振动信号来进行故障诊断。首先推导了定子电流信号如何反映动静碰摩特性,同时利用变分模态分解(VMD)对振动信号的微弱故障特征进行了提取,根据电流频谱,结合振动频谱对转子的碰摩情况做出预测。在研究碰摩故障之前,需要先对转子系统的常见故障进行分类,把转子不同运行状态下的电流信号进行4层小波包分解,提取能量特征作为神经网络训练与识别的特征向量,然后分别利用RBF、ELM和PSO-ELM来进行识别。选择PSO-ELM网络的识别平均正确率为96.67%,其中所有碰摩故障测试样本全部归类准确,其性能明显优于其他两种网络,因此PSO-ELM更适合对转子系统碰摩故障模式进行辨识。转子碰摩程度的考察是转子系统碰摩故障诊断更深一步的研究,对不同碰摩情况下的电流信号进行EEMD分解,以包含主要故障信息的IMF分量的能量比重作为特征向量,分别使用GRNN和PNN神经网络进行识别分类。GRNN的识别正确率为93.33%,PNN的识别正确率为96.67%,所以可以选择PNN网络作为碰摩程度识别的有效手段。