论文部分内容阅读
风机是机械设备的一个大类，广泛运用于石油、化工、电力、冶金等重要行业，对国民经济的发展有重要的意义。作为烟风系统的驱动源，风机是发电厂中一种大型的旋转机械，其运行过程中往往伴随着较强的振动和较大的噪声，容易引发故障，而风机故障可能引起机组停机，造成严重的经济损失，甚至可能导致环境污染、损害人身安全和其他更为恶劣的后果。因此对风机开展故障诊断研究，对保障电站的安全、经济运行有着重大的意义。本文针对风机故障模拟实验所得振动信号的不同分析处理方法展开深入的研究，从而准确诊断风机机械故障，主要内容如下：（1）运用复杂度分析方法分别对振动信号的样本熵特征和符号动力学信息熵特征进行提取，针对已得样本熵数据库和符号动力学信息熵数据库，采用附加动量项和自适应调节学习速率的改进BP神经网络建立了相应的风机机械故障诊断模型，并测试了两种模型的准确性。（2）运用小波包分析提取了振动信号的小波包频带能量特征。将小波包分析和奇异值分解相结合，对振动信号的小波包奇异值特征进行提取。在得到以上两种特征的数据库之后，再采用改进BP神经网络对风机的机械故障进行诊断，并测试其相应的准确性。（3）由于风机不同运行状态相应的SDP图形具有明显的差异，本文采用了基于振动信号SDP分析的风机机械故障诊断方法。该方法将振动信号转化为SDP图形，再将振动信号的SDP图形转化为数值矩阵，然后采用相关系数法对振动信号SDP图形间的相似度进行分析，通过比较测试信号的SDP图与风机各类运行状态下振动信号的SDP模式图的图形相似度，从而确定测试信号对应的风机运行状态。