论文部分内容阅读
单向阀是高压隔膜泵的主要零部件,其工作运行状态是否正常对高压隔膜泵的安全性及稳定性起着至关重要的作用。因此,开展单向阀的故障诊断研究,具有重要的研究意义和工程应用前景。在实际工程中,由于高压隔膜泵受到恶劣的工作环境、多变工况、复杂的设备结构以及隔膜泵之间部件相互关联的影响,致使单向阀的故障信号不仅表现出非平稳性、非线性、多层次性、耦合性和复杂性等特性,且伴随着强大的背景噪声,导致单向阀的故障特征较微弱,对单向阀故障特征提取及故障诊断造成了极大的干扰。针对此问题,研究内容如下:(1)针对强背景噪声下单向阀故障信号的非平稳性和非线性导致其微弱故障难以诊断的问题,提出基于变分模态分解(Variational Mode Decomposition,VMD)和Wigner-Ville的单向阀微弱故障检测方法。首先采用变分模态分解方法处理低信噪比的单向阀故障信号,然后利用具有较好时频聚集性的Wigner-Ville分布方法表征单向阀故障信号能量分布,最后比较单向阀三种状态振动信号的时频分布图。通过单向阀工程实验分析表明所提出的方法能有效分析单向阀微弱故障特征和实现单向阀微弱故障的定性诊断。(2)针对强背景噪声下单向阀故障信号的多层次性、耦合性和复杂性导致其微弱故障特征难以用一个确定的时间或频率函数来表征,以及上一章所提出方法只能定性表征单向阀微弱故障的问题,提出基于VMD-SVD(Singular Value Decomposition,SVD)的单向阀微弱故障特征提取及诊断方法。沿用上一章VMD方法的优越性,提取奇异值特征组成特征向量表征单向阀的运行状态,然后采用单一奇异值分界值法对特征向量进行定量分析,最后采用多变量预测模型(Variable Predictive Based Class Discriminate,VPMCD)方法进行模式识别。通过单向阀工程实验分析表明所提方法能有效且定量分析单向阀微弱故障特征和单向阀微弱故障诊断。(3)针对上一章VMD方法在降噪同时削弱了有用信号使得故障信号的信噪比较低和多变量预测模型方法识别结果具有偶然片面性和泛化能力较低的问题,提出基于自适应随机共振和多模型融合的多变量预测模型(Multi-mode Fusion Variable Predictive Based Class Discriminate,MFVPMCD)的单向阀微弱故障诊断方法。沿用上一章VMD-SVD提取奇异值特征的优越性,采用自适应随机共振方法增强微弱故障信号的信噪比和利用的统计概率方法优化变量预测模型。通过单向阀工程实验分析表明所提方法能有效且高精度地实现单向阀的微弱故障诊断,且能克服识别结果泛化能力低和偶然片面性的问题。论文主要针对单向阀的微弱故障特征难以提取和诊断的问题,提出了一系列故障特征提取及诊断的方法,实现了高压隔膜泵单向阀微弱故障的有效诊断。