基于振動信號-電參量的大型風機運行趨勢分析及故障預測.pdf

1、大型風機是采礦、冶金、化工等行業(yè)生產(chǎn)中應用非常廣泛的一種關鍵設備，其主要作用是給相對密閉的工作環(huán)境送風和設備冷卻。當風機發(fā)生故障時，如果不能及時判別并進行有效控制，不僅會導致風機設備的破壞，甚至會造成其他設備的損毀、工作環(huán)境的破壞及人員傷亡等災難性后果。因此，實現(xiàn)對故障初期時的診斷與預測，對于保障風機的穩(wěn)定運行，提高維護與維修效率，保障人員、設備和工作環(huán)境安全具有重要的作用。本論文結合大型風機運行狀態(tài)實時智能監(jiān)測和故障預測的應用需求，針

2、對故障初期故障表征不明顯導致的早期故障不易判別，以及由分析過程復雜、數(shù)據(jù)處理量大所導致的在線智能故障診斷效率低、實時性差等問題，提出一種基于振動信號-電參量的大型風機運行趨勢分析及故障預測方法，主要研究工作如下：
　　首先，在對大型風機常見故障及演化過程進行深入分析的基礎上，對電參量與風機運行狀態(tài)的關聯(lián)關系進行研究，進而選取振動信號和電參量的相關時域特征參數(shù)組成狀態(tài)特征差值矩陣，以此描述大型風機相鄰時間序列的運行狀態(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(Support Vector Machines,SVM)的輸入特征向量，建立基于SVM的大型風機運行趨勢分析模型，通過對風機運行正常和異常趨勢的分類輸出，實現(xiàn)對大型風機運行趨勢的分析。并結合實驗算例通過仿真分析驗證了該方法的可行性。
　　然后，針對運行狀態(tài)趨勢分析的結論為異常的情況，進一步采用基于復信號雙邊譜與隱形馬爾科夫模型(Hidden Markov models,HMM

4、)相結合的故障預測方法，對導致異常趨勢的最大可能故障類型進行預測。利用復信號雙邊譜分析方法提取信號在正負特征頻率下的幅值，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練HMM的輸入，以此構建大型風機的HMMs故障模型庫。通過計算異常運行趨勢在各HMMs模型庫的似然對數(shù)值輸出，找出最大似然對數(shù)值所對應的 HMM故障模型，該模型所對應的故障類型也就是引發(fā)異常運行趨勢的最大可能性故障，由此實現(xiàn)對故障的預測。
　　最后，基