旋转机械故障诊断范文第1篇

关键词：旋转机械；故障诊断；方法

DOI：10.16640/ki.37-1222/t.2017.10.026

随着诊断技术研究的深入，可以实现故障诊断的方法越来越多，既有对前人研究成果的完善，也有一些原创性的研究成果相继被提出，根据各类方法在实现方式上的不同，可以大致将其分为三类，第一种是通过建立合适的模型进行故障诊断，这种方法在实际的生产应用中，往往由于设备结构复杂，无法构建精准的模型，即便可以获得合适的参数模型，其耗资也会相当大，所以实际应用可行性不大。第二种方法是结合人工智能技术的专家系统，在实际应用中这种方法得到了一定的肯定，但仍然存在知识获取不全面、针对性太强、智能水平低等问题，使得故障诊断结果可靠性不强。而模式识别是故障诊断中应用最为广泛的方法，且目前很多学者都认为基于模式识别的故障诊断有很大的进步空间。

1 旋转机械故障特点

旋转机械故障的故障特点与其他类型的机械故障存在一定的区别，且是机械设备中最为常用的一类，所以有必要对其进行单独的深入研究。旋转机械故障是指有转子系统的机械设备在运行过程中出现异常的工作状态，比如不正常的噪声、异常大的振动、温度急剧升高，或者其他指标不正常。旋转机械的结构复杂，故障发生具有一定的阶段性，并且部分故障的发生有一个渐进的过程，在进行故障诊断时，必须综合考虑多项因素，使得进行准确故障诊断的难度较大。

2 旋转机械故障检测方法

2.1 模式识别

经过多年的发展，模式识别己是故障检测的重要理论基础之一。近十几年来，模式识别技术在机械设备故障诊断领域的应用己经非常普遍，每年都有相关的改进方法被。在机器人模仿人类思考能力的研究领域上，模式识别方法一直占据着十分重要地位，在机械故障诊断方法中模式识别也始终是一个先进且富有挑战的探索方向。

随着计算机技术的迅速发展，各国在旋转机械故障诊断方面都取得了很大的进步，摆脱了传统依靠技术工人经验判断的主观臆断和不准确性，特别是这几年，计算机技术的发展使得各种更加完善的算法运行更为迅速，进而推进了旋转机械故障诊断的发展。

美国是最先研究机械故障诊断技术的国家之一，其诊断技术在很多方面都属于世界先进水平，目前美国从事故障诊断研究的机构主要有电子能源研究机构、西屋电气、Bently和CSI等公司。其中西屋电气是最早应用计算机网络的，该公司自己开发的汽轮机故障诊断软件可以对远程对多台机组进行诊断。而Bently公司在转子的动力系统和故障的诊断机理方面比较领先。

我国在机械故障诊断方面的研究起步相对较晚，技术也较为落后。刚开始主要以学习研究国外相关理论为主。直到80年代初期才逐渐有了自己研发的技术，在这个阶段，大型设备的出现和各项相关技术的发展也刺激了国人对旋转机械故障诊断技术的重视，也推动了该技术的自主研发。随着国家和企业对这项技术领域的投入逐渐增大，许多学者开始涉足这个领域，并对其进行大量的探索和实验，加上与国际交流合作，我国也开发出了一些在线监测与故障诊断的软件，这也很大程度上减小了与国际上相关先进技术的差距，但事实上，我国研究水平总体还是比较落后，故障诊断技术的可靠性还需要不断提升。

2.2 人工神经网络理论

1940年左右，有关应用人工神经网络的理论开始出现，经过多年的发展，它己经被引入到许多领域，比如，智能机器的控制、神经网络计算机的研发、算法的优化、应用计算机进行图像处理、模式识别、连续续语音的识别、数据的压缩、信息处理等领域，在实践应用中取得了很好的效果，作为一项新的模式识别技术和信息处理办法，人工神经网络的应用前景十分可观。

目前，使用人工神经网络进行故障诊断的方法有很多，最常用方法是：多层感知器神经网络、BP神经网络、自组织Kohonen神经网络、和径向基函数RBF（Radial Bases Function）神经网络，也有学者将人工神经网络与各种其他方法相结合的实例。在使用人工神经网络进行故障处理时，首先检查采集到的故障信息数据，剔除多余或者不合理的异常数据，再对有效数据进行归一化处理，预处理工作完成后即可将数据输入到神经网络中进行训练学习和故障识别过程。

2002年，王守觉院士分析传统模式识别方法的缺点，认为传统的BP神经网络和RBF神经网络都是假设特征空间中包括了所有的模式类别，要实现模式识别只需要找到最佳的特征空间划分方法，但事实上，任何一个特征空间中不可能包含所有的模式类别，特征空间中必然存在模式空白区域，就像人类对某些事物表现为不认识一样。认识到这一点后，王守觉院士提出了“仿生模式识别”这一概念，与传统的基于特征空间最佳划分的方法相比，仿生模式识别最为突出的特点就是，能构造封闭的、复杂的几何形体对各类样本进行覆盖，从而达到模式识别的目的。

2.3 仿生模式识别

自从仿生模式识别这一概念被提出以来，许多学者对其进行了深入研究，并将其应用到了人脸识别、车牌识别、语音识别、字体识别等领域。并取得了良的识别效果，例如：陆飞在其硕士论文中重点对仿生模式识别中的几何模型进行了深入分析，并用超香肠神经网络作为仿生模式识别的实现方法应用到了人脸识别中，取得了良好的实验结果；刘焕云等人将仿生模式识别应用到目标识别和跟踪方面，编写了自适应目标算法，与传统方法相比，跟踪识别效果有显著的提升；王守觉院士自己也对仿生模式识别算法进行了一系列的优化，先后提出了超香肠神经网络和多权值神经网络识别实现方法，并在文献中将基于仿生模式识别的多权值神经网络应用到连续语音识别中，与目前认可度最高的基于隐马尔可夫模型（HMM）的识别方法进行比较，表现出了显著的优势。

目前有许多的编程软件都加入了神经网络的功能，其中MATLAB软件最为方便实用，并且易于操作。它除了拥有对各种图形和数据进行处理的强大功能，其开发公司一一美国的MathWorks公司一一还专门在软件中开发加入了神经网络工具箱，全面包含了人工神经网络中常用的激励函数，例如线性函数（purline函数），感知器函数（（sigmoid函数）以及径向基函数（radbas函数），除了这些常用传递函数，还可以自定义相关的函数。各层网络之间的映射也有严格的设定，映射函数可自行设定。鉴于以上优点，本文采用MATLAB软件编写仿生模式识别的实现程序，以及机械故障信号的特征提取和网络测试。

参考文献：

旋转机械故障诊断范文第2篇

Abstract: Mechanical fault diagnosis and monitoring plays an increasingly important position in industrial production. Once the machinery equipment, large-scale particularly equipment, occurred fault, it will cause very serious consequences. In order to improve the technological level and economic benefits of production equipment, the advanced device management, fault diagnosis and technical maintenance is extremely important to guarantee the safe operation of equipment. Enterprises must actively adopt methods to monitor the normal switch status of equipment.

关键词：转子不平衡；机械故障；故障诊断；偏心；松动；裂纹；碰摩

Key words: rotor unbalance；mechanical failure；fault diagnosis；eccentric；loose；crack；rub

中图分类号：TH17 文献标识码：A文章编号：1006-4311（2011）05-0035-01

0引言

为了提高设备的利用率，促进生产技术的进步，使得传统的手摸、耳听、振幅监测等维修方法和定期监测，已经不能够满足生产的需要。旋转机械的故障原因很多，故障的种类也很多。借助科学技术手段，监测转子的运行状态，以达到最终的维修目的，以是当下刻不容缓的任务。

1旋转机械故障的诊断及方法

诊断的方法分别是波形分析法、频谱分析法、相位分析、轴心轨迹分析法、转速跟踪分析法和瀑布图等。其中最基本的、最为有效的是频谱分析法。目前频谱分析法是在计算机上用快速傅氏变换来实现的，幅值谱的应用非常有效和普遍，它对诊断旋转机械的故障十分精确。在振动频谱上，不同的频率对应着不同的振动原因。了解了它们关系，故障因素就能很快地被排除，而将注意力可以集中在可能发生因素上。

2旋转机械故障的种类及原因

因安装质量的高低及长期的振动，转子系统在不平衡力的作用下，会引起支座的非线性振动，甚至会导致系统的刚性变化并伴有冲撞效应，因此引起机械故障。一般来讲，发生同频振动就可能是转子不平衡所生产的，如果产生高频振动可能是转子不对中所导致的;油膜振荡的频率在0.42-0.48n；如果伴有倍频或1/2n、1/3n等分数倍频就有可能是转子松动了。旋转机械非常复杂，频率分量与振动原因之间的关系也相当复杂。机械设备的振动基本上都是由转子不平衡引起的，表现在振动频率、振幅、振动方向、相位特征、轴心运动轨迹及振动与转速关系的变化上。

2.1 转子不平衡据统计资料考证，因不平衡而使旋转机械失效的约占30%，因此，不平衡是一种常见的故障。原因有：材质不均，制造精度差、如内、外圆不同心等；安装不良；配合松动；轴弯曲变形；旋转零件磨损、腐蚀、剥落、介质沉积不匀；旋转零件的断裂等。经理论证明，振动的激振频率为单一的工作频率，无其它倍频成分。

2.2 转子不对中轴承中心与转子中心不对中或者各转子的轴线不对中等常见典型故障，这也是多发性的故障之一。产生原因为：安装不良；地基下沉；轴承支座膨胀引起的变形等。频率的特征：根据实验研究的研究结果并结合理论，表明对刚性联轴器及齿轮联轴器，其径向激振频率除旋转频率fr（由角度不对中引起）外，主要以旋转频率的二倍频2fr或四倍频4fr为主，且伴有高次倍频心（n=6，8，…）。转子不对中相当于在联轴器端输入时给予的某种刺激，轴向振动频谱由其谐波及基频组成，基频具有峰值。

2.3 转子松动非线性的振动特征表明装配或基座松动，并伴有转子不平衡的特性。振动形式为径向垂直振动，激振频率除基频成分fr外，还伴有高次谐波成分3fr，sfr，7fr及分数谐波成分（0.3-0.5）fr。

2.4 油膜振荡油膜振荡和油膜涡动是常见故障，因为旋转机械在高速运行中大多用的是流体动压滑动轴承。油膜涡动由涡动力产生，使转轴除了自转外还绕中心进行公转。在共振的状态下，油膜振荡非常强烈，造成共振现象破坏力极大的，对高速旋转机械危害很大。转子的一阶自振频率为：当油膜涡动的特征频率约为旋转频率的一半，油膜振荡时其转速与涡动的频率无关。

3旋转机械故障的预测维修技术

从以上几种故障的振动频率中可以看出，一种频率特征可能对应着几种故障源。因此，在进行故障诊断和状态分析时，要尽可能地收集各种状态参数并进行统计和信号处理，根据获得的数据进行故障的诊断和分析。旋转机械约有70%的故障是由于转子不平衡引起的，因此机械不平衡的检测及分析是保证设备安全运行极为重要工作。如果能够对设备的运行状况进行在线的监测与诊断，做到“预知维修”，设备故障的诊断效率就会大大提高，并节约企业成本。在这方面，人工智能技术做了很大的贡献，尤其像专家诊断系统、模糊控制、人工神经网络以及知识工程等方面，都在诊断领域得到了发挥和应用，使故障诊断了智能化和自动化。故障诊断专家系统主要由知识库，数据库，人机交互界面，推理机组成，及其他处理模块为辅。应用故障诊断的专家知识和推理方法为实质作用，判断故障种类，采集数据，并找出相应的解决方法。确定故障的类型及部位。这并非是一件轻而易举的事，它是旋转机械状态监测中最复杂、最困难的一环，要正确地判断机器的故障类型及部位，首先，要了解机组的内部结构和工艺情况;其次，为每台机器建立档案，即原始数据库，它包括频谱、相位、波形、轴心轨迹、位移量等振动参数以及工艺操作参数。阶段性比较分析，注意振动信号的变化情况和趋势。再者，尽量多地捕捉振动信息，从频谱、轴心轨迹、相位和波形等多方面综合分析。

4结语

综上所述，旋转机械故障种类繁多，在将进行振动测试排除故障之前，要对偏心、松动、碰摩、裂纹等进行分析，并采取相应的措施以保证机器设备的正常运转。若以频谱分析法此作为检修的主要依据，那设备检修的计划性和目的性将大大增强，从而提高生产率。如建立专家系统，可实现机械设备的智能化自动化监测故障，预测维修，减少停机，保证设备的正常运行，降低维修人员的工作量。

总之，若判断一种故障时，可综合以上几种方法进行比较，建模求解，对故障进行合理的判断，并提供有用的数据，从而使生产厂家的效益大大增加并提高了设备的利用率。

参考文献：

[1]朱亮，向家伟，宋宜梅.旋转机械常见故障诊断的非线性动力学研究综述[J].装备制造技术，2010，（01）.

[2]吴轲，童敏明，童紫原，邓世建.旋转机械不平衡故障专家诊断系统的研究[J].煤矿机械，2010（09）.

旋转机械故障诊断范文第3篇

【关键词】振动监；故障诊断；特征提取；状态识别

机械分为旋转机械和往复机械两种类型，它们在组成结构、动力学特征以及工作原理等方面都有所不同，故障信号的表现形式也存在差异。旋转机械是工业上应用最广泛的机械。许多大型旋转机械，如：离心泵、电动机、发动机、发电机、压缩机、汽轮机、轧钢机等，还是石化、电力、冶金、煤炭、核能等行业中的关键设备，对这些设备加强监测，防止发生故障，具有十分重要的意义。本世纪以来，随着机械工业的迅速发展，现代机械工程中的机械设备朝着轻型化、大型化、重载化和高度自动化等方向发展。机械设备管理是一项严谨的工作，它需要对设备建立一个完善的科学管理体系，利用现代科学的监测仪器、系统运行状态参数，认知设备状态。做到设备静态、动态信息完整化、数字化，即有据可依，有数可查，实现科学的信息综合处理。只要能够正确识别设备的振动信息就可掌握设备的动态，把握设备的维修周期。机械故障诊断就是通过测量机器的信息，比如振动信号，判断其运行状态的一种现代化设备管理方法，振动现象与其运行状态有着对应的关系。

1.应用振动分析诊断旋转机械设备故障

1.1转子不平衡

转子不平衡引起的振动是旋转机械的常见的多发故障。产生不平衡的原因：旋转机械转轴上所装配的零部件，如果材质不均匀（如铸件中存在气孔、砂眼，加工误差）、装配偏心以及在长期运行中产生不均匀磨损、腐蚀、变形，或者某些固定件松脱、各种附着物不均匀堆积等各种原因，都会导致零件发生质心偏移而造成不平衡。不平衡包括静不平衡和动不平衡。不平衡振动的频率一般很明显，主要表现不平衡转子的故障频率等于转子的旋转频率。除此之外，不平衡振动还会激起其他频率成分例如分频、倍频等。影响不平衡振动的主要因素有三个，即转子质量、质心到两轴承连线的垂直距离（即偏心距）、转子的旋转角速度。转子旋转时产生的离心力，这个离心力作用在支撑转子的两个轴承上，方向垂直于轴承中心。在诊断不平衡故障时，首先必须分析信号和频率成分，是否有突出的转频，其次看振动的方向特征，必要时再分析振幅随转速的变化情况，或测量相位。

1.2转子不对中

转子不对中也是旋转机械常见故障之一，主要包括转子与转子之间的连接不对中，主要反映在联轴器的对中性上；转子轴颈与两端轴承不对中。对滑动轴承来说，这种情况产生的主要原因与轴承是否形成良好的油膜有直接关系。对滚动轴承来讲，主要是因为两端轴承座孔不同轴、轴承元件损坏、外圈配合松动，两端支座变形等（对电动机而言是前后端盖），都会引起不对中。转子不对中将产生一种附加弯矩，给轴承增加一种附加荷，致使轴承上的负荷重新分配，形成附加激励引起机组强烈拆动等后果。不对中主要激发二倍转频或多倍转频振动。振动大小与不对中形式有一定关系，一般表现为轴向振动比较大。不对中引起的振动其振幅值与机器的负荷有一定的关系，一般随着负荷的增加而成正比的增加，然而对转速的变化影响不大。

1.3机械松动

机械松动也是旋转机械比较常见的故障，松动有两种情况，一种是地脚螺栓连接松动。它带来的后果是引起整个机器松动。另一种情况是零件之间正常的配合关系被破坏造成配合间隙超差而引起的松动，比如滚动与轴承的内圈与转轴或外圈与轴承座孔之间的配合，因丧失了配合精度而造成松动。由松动引起的振动具有一定的非线性，其振动信号的频率成分相当复杂，除了基频（等于转频）以外，还产生高频次谐波和分频振动，频谱结构成梳状，有时还表现出一些方向特征很明显，主要在垂直方向很强烈。

1.4摩擦

摩擦故障形式有多种多样。如转子与密封件的摩擦，转子与隔板之间的摩擦，电动机转子与定子的摩擦，叶轮、齿轮、风扇与机壳或护罩的摩擦、滚动轴承外圈与轴承孔、以及转轴与轴承内圈或转轴与其他零件因配合松动而引发的摩擦。摩擦一般引起非线性振动，频带范围较宽，除了一倍基频外还有二倍基频、三倍基频等高次谐波，以及1/2、1/3等低次谐波。在某些情况下还会激起系统的固有频率。摩擦振动的时域波形上常常表现为削波状态，“截头余弦”形状的时域波形常被视为摩擦故障的重要标志。

2.振动监测技术

目前，监测机械设备状态的手段虽然很多，但实践证明，振动信号监测是一种易于实现而又可靠的办法。设备振动信号是设备状态信息的载体，它蕴含了丰富的设备异常或故障的信息，而振动特征是设备运行状态好坏的重要标志。因此，振动测试是设备状态信号采集的基本测试手段。对振动信号的检测能够获得设备状态的有效信息，对它的分析则是设备诊断领域中一个被广泛采用的方法。现代传感技术的发展为振动信号的测试提供了有力的保证。现代的振动测试都是采用电测法，即把待测的机械振动量的变化转化成电量的变化，这种机——电转换是通过传感器来实现的。因此传感器性能的好坏直接影响到振动测量结果的准确性和可靠性，从而影响分析和诊断结果的正确性。机械振动参数的测量分为接触式测量和非接触式测量。测量用传感器主要采用电涡流传感器、速度传感器和加速度传感器三种，一般分别用于低频、中频和高频范围的振动测量。近年来，微电子技术的新发展和新应用，微机化机械加工技术的不断更新和加工工艺的不断改进，现代动与冲击测量传感器正朝着更小、更轻、更可靠耐用和更价廉物美的方向发展。国内外不断成功地研制和开发了微电容式、微应变式、石英振梁式、静电平衡式等新型加速度传感器以及激光测振仪等新型位移传感器，这些传感技术大大推动测试技术的发展。数据采集卡的性能不断提高是计算机正确分析的前提。

高新技术的数采器件不断出现、性能价格比不断提高，A/D、放大器、模拟通道开关等芯片不断有新产品世，这些高新技术产品使高速数据采集不再是一件困难的事。

3.结束语

在进行旋转机械的故障诊断时，往往故障与征兆之间不完全是一一对应的关系，有时各种故障同时发生，使故障诊断起来更加复杂。随着状态监测技术不断的发展，故障诊断已成为一种新的工程技术。正确掌握振动标准也是一项重要的工作，除了采用绝对的国际标准外，企业还应根据不同设备的情况建立一套相对标准，即将测量值与初始值相比较作出判断。总之，正确判断故障，不仅需要掌握相关振动学方面的知识，还要对所测的设备非常了解，认真听取现场操作人员、修理技术人员的意见后，才能得到符合实际情况的诊断结果。

【参考文献】

[1]虞和济.故障诊断的理论基础.北京：冶金工业出版社，1989，9.

[2]PWHills.Productionbenefitsfromavibration-basedconditionmonitoringprogramme.INSIGHT，Vol.38No.8August1996：563-565.

[3]廖伯瑜.机械故障诊断基础.北京：冶金工业出版社，1995，11.

[4]谷毅.振动测量传感器的发展现状.现代计量测试，1997（5）：6-9.

[5]S.J.Rothberg，N.A.HalliwVibrationMeasurementsonRotatingMachaneryUsingLaserDopplerVelocime-try.Trans.AMSEJ.Of Vibration and Acoustics.1994.116（3）：326-331.

[6]宗孔德，胡广书.数字信号处理.北京：清华大学出版社，1988.

旋转机械故障诊断范文第4篇

【关键词】汽轮机；故障诊断；传感技术

前言

汽轮机组是以蒸汽为工质的原动机，在电力、冶金、钢铁、化工、船舶等工业领域里具有广泛的用途。特别是在电力工业中，汽轮机组是火力发电厂的三大主机之一，用于驱动发电机发出电能。汽轮机组是一个机、电、液耦合在一起的复杂系统，由于汽轮机组结构的特殊性及工作时间长、关键部位长期磨损状态下，在高转速、高应力状态下，部件承受的载荷大，承受各种交变应力的作用状况下，时常造成汽轮机组出现故障，汽轮机组是一种故障率高、故障危害性大的高速旋转机械。一旦出现故障，轻则造成重大经济损失，重则造成设备损坏和人身伤亡，造成严重的社会后果。为了保障经济生产的发展与居民用电的稳定，故障率的减少对于整个供电系统都有着重要的意义，因此，汽轮机组的故障诊断问题已成为相关企业机构高度重视的问题。

1汽轮机工作原理

电厂汽轮机工作原理就是能量转换过程，即热能--动能--机械能。汽轮机组的功能是将蒸汽的热能转换成转子的旋转机械能，将蒸汽的热能转换为汽轮机轴的回转机械能。主要是通过热能，火电厂是利用煤、石油、天然气作为燃料生产电能的工厂，它的基本生产过程是：燃料在锅炉中燃烧加热水使成蒸汽，将来自锅炉的具有一定温度、压力的蒸汽经主汽阀和调节汽阀进入汽轮机内，在汽轮机中，蒸汽在喷嘴中发生膨胀，因而汽压，汽温降低，速度增加，蒸汽的热能转变为动能。然后蒸汽流从喷嘴流出，以高速度喷射到叶片上，高速汽流流经动叶片组时，由于汽流方向改变，产生了对叶片的冲动力，推动叶轮旋转作功，叶轮带动汽轮机轴转动，将其热能转换成推动汽轮机转子旋转的机械能，从而完成了蒸汽的热能到轴旋转的机械能的转变，通过联轴器驱动发电机发电。为了实现能量转换，汽轮机本体在结构上必须有固定部分和旋转部分。其中，固定部分实现对高温高压蒸汽的膨胀加速，将蒸汽的热能转换为蒸汽的动能；转动部分实现将蒸汽的动能转换为转子的旋转机械能。而转动部分通常与转轴一起支承在汽缸上或基础上。膨胀做功后的蒸汽由汽轮机排汽部分排出，排汽至凝汽器凝结成水，再送至加热器、经给水送往锅炉加热成蒸汽，如此循环。也就是蒸汽的热能在喷嘴栅中首先转变为动能，然后在动叶栅中再使这部分动能转变为机械能。蒸汽在汽轮机中，以不同方式进行能量转换，便构成了不同工作原理的汽轮机。

2汽轮机组故障诊断技术

2.1传感技术

由于汽轮机组工作环境的特殊性（高温、高压、高转速、高应力），所以在汽轮机组故障诊断系统中，对传感器的性能要求很高。目前，对传感器的研究，主要是提高传感器性能的可靠性、开发新型传感器，以及研究如何诊断传感器故障以减少误诊率和漏诊率等方面的问题。当前，通过研究利用多传感器信息融合技术来诊断故障。提高对故障的分辨率。

2.2信号分析与处理。

在信号分析与处理研究领域中，最具有吸引力的是振动信号的分析与处理。汽轮机组故障诊断系统中的振动信号处理大多采用快速傅立叶变换（FFT）。FFT的思想在于将一般时域信号表示为具有不同频率的谐波函数的线性叠加，它认为信号是平稳的。所以，分析出的频率具有统计不变性。FFT对很多平稳信号的情况具有适用性，因而得到了广泛的应用。但是，实际中的很多信号是非线性、非平稳的，所以为了提高分辨精度，新的信号分析与处理方法成为该领域的重要研究课题。目前，信号分析与处理的方法有变时基FFT、短时基FFT、Winger变换、小波变换、全息谱分析、延时嵌陷分析、信号的分维数计算等。

2.3振动诊断

汽轮机组是旋转机械，其旋转运动是一个激励源。机械振动在机组各部件中传递，直达设备的表面。机组在工作过程中产生的振动，包含了很多状态信息。采集这些振动信号，提取信息，就可以从中诊断出机械设备及其工作过程的状态。利用振动信号对汽轮机组在运行中产生故障诊断，是当前最常用的诊断手段。

2.4噪声诊断

机械振动势必会产生噪声，噪声信号中包含了机组的丰富的状态信息，过去是靠人耳的感觉和经验来实现监测和判断的。现在。对噪声测试分析的手段、方法和理论日臻完善，已实现对设备的在线实时监测和诊断。在设备状态监测和故障诊断中.所碰到的噪声有两类。一类是指一些不规则的、间歇的或随机的声波；另一类是指不希望有的扰动或干扰声音，有时也包括那些在有用频带内任何不需要的干扰。

3电厂汽轮机组常见故障

3.1汽轮机水冲击故障分析及预防措施

水或低温饱和蒸汽进入汽轮机使处于高温下的金属部件突然冷却而急剧收缩，产生较大的热应力和热变形，机组产生强烈振动，如汽封处的转子表面受到汽封供汽系统来的水或冷蒸汽的反复急剧冷却，就会出现裂纹并不断扩大。汽轮机进入水或冷凝汽后，会造成严重后果，造成水冲击的主要有以下几个原因：（1）锅炉方面，锅炉蒸发量过大或不均，化学水处理不当引起汽水共腾。启动过程中升压过快，气压控制不当，蒸汽过热度降低，导致管道内集结凝结水；（2）汽轮机方面，汽轮机启动过程中，汽水系统暖管时间不够，疏水不净，汽轮机回热系统加热器水位高，且保护装置失灵，使水经抽汽管道返回汽轮机内造成水冲击。（3）操作不当，热蒸汽冷段采用喷水减温时，由于操作不当或阀门不严，减温水积存在再热蒸汽冷段管内或倒流入高压缸中，当机组启动时，积水被蒸汽带入汽轮机内。

预防措施：（1）启、停机过程中，应认真监视和记录各主要参数。包括主、再热汽温，压力，各缸温度，法兰、螺栓温度，缸差，轴向位移，排汽温度等。机组冲转过程中因振动异常停机而必须回到盘车状态时，应全面检查，认真分析，查明原因，严禁盲目启动。（2）当汽轮机发生水冲击时，应立即破坏真空、停机。在重新启动过程中，若发现汽机内部或转动部分有异音，或转动部分有摩擦，应立即拍机，并进入人工盘车。

3.2汽轮机异常振动故障原因及维护方法

汽轮机组异常振动是汽轮机常见故障中较为复杂的一种故障。由于机组的振动往往受多方面的影响，只要跟机本体有关的任何一个设备或介质都会是机组振动的原因，比如进汽参数、疏水、油温、油质、等等。引起汽轮机组异常振动的主要原因有以下几个方面：汽流激振、转子热变形、摩擦振动等。因此，针对汽轮机异常震动原因的分析就显得尤为重要，只有查明原因才能对症维修。在进行异常振动故障排除时，维护人员不能急于拆解机组，首先要根据故障特点进行故障分析，确定故障点后查看机组维修记录，确认故障点零部件运行情况，必要时可以单独测试部分零部件，或在一定条件下进行故障排除，一般来讲短期内进过维护保养的部件出现故障的几率远远小于维护时间长的部件。在进行汽轮机异常振动原因分析时要格外注意。许多情况时需要维修人员长期积累的经验来判断的，加强企业汽轮机组维护人员培训，提高维修人员素质及专业技能时提高汽轮机故常排除效率的最佳途径。

4结束语

通过对汽轮机组故障诊断，能及时快速判断各种异常状态，预防或消除潜在故障，保证机组发挥最大的设计能力，提高设备的可靠性、安全性和有效性，从而将故障损失降低到最低水平，避免经济损失和人身伤亡事故，产生可观的效经济益。

参考文献：

[1]乔海涛，冯永新.大型汽轮发电机组故障诊断技术现状与发展[J].广东电力，2003（02）.

旋转机械故障诊断范文第5篇

关键词:BP神经网络;学习过程;模式识别;旋转机械;故障诊断

中图分类号:TP311 文献标识码:A 文章编号:1009-3044(2009)15-3982-02

The Study and Application of the BP Neural Network

HOU Zhi-bin, WEN Bi-teng, PENG-Hua, LI Chun-hou

(Department for Graduate Students of Artillery Academy, Hefei 230031,China)

Abstract: The manual NN as a highly integrated chiasma subject. Most of models about NN are adopting the BP network and the changed form at the practical appliance, which is also the hard core of forward network, incarnating the essential part of NN. The paper introduces the studying process of the BP network and uses the BP network for the mechanical failure diagnoses as assorted organ in the mode identification.

Key words: BP neural network; studying process; mode identification; revolving machine; failure diagnoses

1 引言

人工神经网络是一门高度综合的交叉学科,它的研究和发展涉及神经生理学、数理科学、信息科学和计算机科学等众多学科领域。

人工神经网络是模仿生物脑结构和功能的一种信息处理系统,虽然目前的模仿还处于低水平,但已显示出一些与生物脑类似的特点:1) 大规模并行结构与信息的分布式存储和并行处理,克服了传统的智能诊断系统出现的无穷递归、组合爆炸及匹配冲突问题,它特别适用于快速处理大量的并行信息。2) 具有良好的自适应性,系统在知识表示和组织、诊断求解策略与实施等方面可根据生存环境自适应、自组织达到自我完善。3) 具有较强的学习、记忆、联想、识别功能,系统可根据环境提供的大量信息,自动进行联想、书记及聚类等方面的自组织学习,也可在导师的指导下学习特定的任务,从而达到自我完善。4) 具有很强的容错性,当外界输入到神经网络中的信息存在某些局部错误时,不会影响到整个系统的输出性能。神经网络已经在信号处理、模式识别、目标跟踪、机器人控制、专家系统、系统辨识等众多领域显示出其极大的应用价值,作为一种新的模式识别技术或一种知识处理方法,神经网络在机械故障诊断中显示了其极大应用潜力。

目前,在人工神经网络的实际应用中,绝大部分的神经网络模型是采用BP网络和它的变化形式,它也是前向网络的核心部分,体现了人工神经网络最精华的部分。本文介绍BP网络的学习过程以及从模式识别角度应用BP神经网络作为分类器进行机械故障诊断。

2 BP神经网络的学习过程

有多层感知器可知,输入层中人以神经元的输出为输入模式分量的加权和。其余各层中,设某一层中任一神经元j输入为netj,输出为yi,与这一层相邻的低一层中任一神经元i的输出为yi。则有

如式(5)和式(6)所示,输出层中神经元的输出误差反向传播到前面各层,以各层之间的权值进行修正。

3 旋转机械故障的训练

表1是一组旋转机械故障的训练示例,表内的值表示各训练示例的特征值大小,其取值区间为[0,1],如在不平衡训练示例中,0~1/4倍频的振动幅值的当量值为0;1/4~3/4倍频的振动幅值的当量值为0;3/4~1倍频的振动幅值的当量值还为0;1倍频的振动幅值的当量值为0.9;2倍频的振动幅值的当量值为0.1;等等,其余类推。

将这些故障训练示例输入到一个具有8个输入节点,8个中间层节点和3个输出层节点的网络中,经过1200次迭代,形成了一个网络,该网络的记忆效果如表2所示,经过12000次迭代形成网络的记忆效果如表3所示。

表2中第一行表示,当输入一组不平衡故障时,得出该故障的置信度为0.94,而其他故障几乎为0;第二行表示,当输入一组油膜涡动故障时,得出该故障的置信度为0.96,而其他故障几乎为0;第三行表示,当输入一组不对中故障时,得出该故障的置信度为0.90,而其他故障几乎为0。表3中的结果有所改进,其值已趋于稳定。通过比较表2和表3,可看出训练中迭代次数越多,所得到的网络越能够更好的联想出训练示例。但训练次数不宜过长,只要满足精度要求,训练次应尽可能少,以减少训练时间。

4 结论

人工神经网络是模仿生物脑结构和功能的一种信息处理系统,并且已经在信号处理、模式识别、目标跟踪、机器人控制、专家系统、系统辨识等众多领域显示出其极大的应用价值。文章介绍了BP神经网络的学习过程,并给出了BP神经网络在旋转机械故障诊断中的应用。作为一种新的模式识别技术或一种知识处理方法,神经网络在机械故障诊断中显示了其极大的应用潜力。

参考文献:

[1] 王江萍.机械设备故障诊断技术及应用[M].西安:西北工业大学出版社,2001.

[2] 盛兆顺,尹琦岭.设备状态监测与故障诊断技术及应用[M].北京:化学工业出版社,2003.

[3] 温熙森.模式识别与状态监控[M].长沙:国防科技大学出版社,1997.

[4] 李孝安.神经网络与神经计算机导论[M].西安: 西北工业大学出版社,1994.