论文部分内容阅读
大型风机是采矿、冶金、化工等行业生产中应用非常广泛的一种关键设备,其主要作用是给相对密闭的工作环境送风和设备冷却。当风机发生故障时,如果不能及时判别并进行有效控制,不仅会导致风机设备的破坏,甚至会造成其他设备的损毁、工作环境的破坏及人员伤亡等灾难性后果。因此,实现对故障初期时的诊断与预测,对于保障风机的稳定运行,提高维护与维修效率,保障人员、设备和工作环境安全具有重要的作用。本论文结合大型风机运行状态实时智能监测和故障预测的应用需求,针对故障初期故障表征不明显导致的早期故障不易判别,以及由分析过程复杂、数据处理量大所导致的在线智能故障诊断效率低、实时性差等问题,提出一种基于振动信号-电参量的大型风机运行趋势分析及故障预测方法,主要研究工作如下: 首先,在对大型风机常见故障及演化过程进行深入分析的基础上,对电参量与风机运行状态的关联关系进行研究,进而选取振动信号和电参量的相关时域特征参数组成状态特征差值矩阵,以此描述大型风机相邻时间序列的运行状态。接着,提取该特征差值矩阵的特征值组成状态特征向量,并作为支持向量机(Support Vector Machines,SVM)的输入特征向量,建立基于SVM的大型风机运行趋势分析模型,通过对风机运行正常和异常趋势的分类输出,实现对大型风机运行趋势的分析。并结合实验算例通过仿真分析验证了该方法的可行性。 然后,针对运行状态趋势分析的结论为异常的情况,进一步采用基于复信号双边谱与隐形马尔科夫模型(Hidden Markov models,HMM)相结合的故障预测方法,对导致异常趋势的最大可能故障类型进行预测。利用复信号双边谱分析方法提取信号在正负特征频率下的幅值,并将其组成故障特征矩阵。接着,将不同故障类型的特征矩阵作为训练HMM的输入,以此构建大型风机的HMMs故障模型库。通过计算异常运行趋势在各HMMs模型库的似然对数值输出,找出最大似然对数值所对应的 HMM故障模型,该模型所对应的故障类型也就是引发异常运行趋势的最大可能性故障,由此实现对故障的预测。 最后,基于以上研究内容,进行了实验研究,通过分析大型风机实际运行数据和历史数据,验证了论文方法的有效性、可靠性及实时性。