论文部分内容阅读
涡旋压缩机是空调等设备的重要组成部分,在工业与生活中发挥着举足轻重的作用。因此,监测与诊断涡旋压缩机的实时健康状况,是设备持久安全、稳固运行的基本保障,对于设备保持良好的工作状态具有重大意义。本文以涡旋压缩机故障信号为研究对象,对其故障类型的识别技术开展研究,采用信息融合与机器学习的方法建立故障分类模型,实现涡旋压缩机的故障诊断。论文主要研究内容如下:.(1)分析涡旋压缩机的故障原因并提出解决方案。研究涡旋压缩机的振动发生机理,分析总结了引起涡旋压缩机产生振动量的来源分为内部与外部因素。其中内部原因主要有结构因素、加工因素以及运行故障等;而外部因素包括吸排气时产生的压力振动与电机径向磁拉力。根据内外部因素,详细分析了故障产生的原因,提出最佳解决方案。(2)涡旋压缩机的实验台设计与搭建。为了得到涡旋压缩机故障信号,搭建振动测试平台。实验台分两个部分,以涡旋压缩机样机、压电式传感器、信号调理电路、数据采集卡、变频器以及计算机等为硬件系统;软件系统基于LabVIEW软件开发,包括PID控制模块、数据采集模块、数据存储模块以及数据分析模块。根据实验方案调试实验设备,通过涡旋压缩机壳体上的加速度传感器采集机体的振动信号,并将其转换为电信号由数据采集卡传送至计算机。利用软件系统存储数据,并进行初步分析处理。(3)信息熵融合的PSO-SVC涡旋压缩机故障诊断。针对涡旋压缩机振动信号的不稳定性及难以获取大量故障样本的问题,提出了一种基于信息熵融合与PSO-SVC的涡旋压缩机故障诊断方法,判断其故障类型。提取了振动信号时域、频域、时-频域特征计算信息熵,通过因子分析融合熵值得到单一评价指标特征向量,将评价指标作为PSO-SVC的输入,通过训练建立PSO-SVC涡旋压缩机故障分类模型。实验结果表明,信息熵融合的PSO-SVC涡旋压缩机故障方法可以有效地识别四种故障,并且可以达到94.5%的准确度。