基于振動(dòng)信號(hào)-電參量的大型風(fēng)機(jī)運(yùn)行趨勢分析及故障預(yù)測.pdf

1、大型風(fēng)機(jī)是采礦、冶金、化工等行業(yè)生產(chǎn)中應(yīng)用非常廣泛的一種關(guān)鍵設(shè)備，其主要作用是給相對(duì)密閉的工作環(huán)境送風(fēng)和設(shè)備冷卻。當(dāng)風(fēng)機(jī)發(fā)生故障時(shí)，如果不能及時(shí)判別并進(jìn)行有效控制，不僅會(huì)導(dǎo)致風(fēng)機(jī)設(shè)備的破壞，甚至?xí)斐善渌O(shè)備的損毀、工作環(huán)境的破壞及人員傷亡等災(zāi)難性后果。因此，實(shí)現(xiàn)對(duì)故障初期時(shí)的診斷與預(yù)測，對(duì)于保障風(fēng)機(jī)的穩(wěn)定運(yùn)行，提高維護(hù)與維修效率，保障人員、設(shè)備和工作環(huán)境安全具有重要的作用。本論文結(jié)合大型風(fēng)機(jī)運(yùn)行狀態(tài)實(shí)時(shí)智能監(jiān)測和故障預(yù)測的應(yīng)用需求，針

2、對(duì)故障初期故障表征不明顯導(dǎo)致的早期故障不易判別，以及由分析過程復(fù)雜、數(shù)據(jù)處理量大所導(dǎo)致的在線智能故障診斷效率低、實(shí)時(shí)性差等問題，提出一種基于振動(dòng)信號(hào)-電參量的大型風(fēng)機(jī)運(yùn)行趨勢分析及故障預(yù)測方法，主要研究工作如下：
　　首先，在對(duì)大型風(fēng)機(jī)常見故障及演化過程進(jìn)行深入分析的基礎(chǔ)上，對(duì)電參量與風(fēng)機(jī)運(yùn)行狀態(tài)的關(guān)聯(lián)關(guān)系進(jìn)行研究，進(jìn)而選取振動(dòng)信號(hào)和電參量的相關(guān)時(shí)域特征參數(shù)組成狀態(tài)特征差值矩陣，以此描述大型風(fēng)機(jī)相鄰時(shí)間序列的運(yùn)行狀態(tài)。接著，提取該

3、特征差值矩陣的特征值組成狀態(tài)特征向量，并作為支持向量機(jī)(Support Vector Machines,SVM)的輸入特征向量，建立基于SVM的大型風(fēng)機(jī)運(yùn)行趨勢分析模型，通過對(duì)風(fēng)機(jī)運(yùn)行正常和異常趨勢的分類輸出，實(shí)現(xiàn)對(duì)大型風(fēng)機(jī)運(yùn)行趨勢的分析。并結(jié)合實(shí)驗(yàn)算例通過仿真分析驗(yàn)證了該方法的可行性。
　　然后，針對(duì)運(yùn)行狀態(tài)趨勢分析的結(jié)論為異常的情況，進(jìn)一步采用基于復(fù)信號(hào)雙邊譜與隱形馬爾科夫模型(Hidden Markov models,HMM

4、)相結(jié)合的故障預(yù)測方法，對(duì)導(dǎo)致異常趨勢的最大可能故障類型進(jìn)行預(yù)測。利用復(fù)信號(hào)雙邊譜分析方法提取信號(hào)在正負(fù)特征頻率下的幅值，并將其組成故障特征矩陣。接著，將不同故障類型的特征矩陣作為訓(xùn)練HMM的輸入，以此構(gòu)建大型風(fēng)機(jī)的HMMs故障模型庫。通過計(jì)算異常運(yùn)行趨勢在各HMMs模型庫的似然對(duì)數(shù)值輸出，找出最大似然對(duì)數(shù)值所對(duì)應(yīng)的 HMM故障模型，該模型所對(duì)應(yīng)的故障類型也就是引發(fā)異常運(yùn)行趨勢的最大可能性故障，由此實(shí)現(xiàn)對(duì)故障的預(yù)測。
　　最后，基