论文部分内容阅读
矿浆管道在工业输送中运用越来越广泛,其输送矿浆的最核心动力设备是往复式高压隔膜泵,高压隔膜泵能否保持正常的工作状态将会直接对企业的生产效率造成影响。高压隔膜泵关键部件之一是单向阀,由于其工作频率很高且机理复杂,导致其成为高压隔膜泵关键部件中最易频繁发生故障的部件。矿浆管道输送过程中由于所输送矿物的粒径大小不均、且矿浆浆体具有较强的流变特性,造成了突发性的、并发性的、多源性的、不确定性的等不同程度的单向阀故障,同时也造成非平稳性和非线性等特点的单向阀振动信号的出现。并且当高压隔膜泵运行时产生的周围环境噪声以及单向阀周围部件的运行所产生的噪声,导致单向阀的振动信号受到巨大的噪声干扰,使得传统方法在对单向阀的故障检测和诊断很难到达良好的效果。针对此问题,本文展开了以下几点研究:(1)针对传统奇异值分解方法在分解过程中其延迟步长及重构维数均由经验选定的不确定性及针对强噪声干扰下导致单向阀故障难以诊断的问题,提出相关系数奇异值分解(Singular Value Decomposition,SVD)的单向阀故障诊断方法。首先对原始单向阀振动信号利用经验模态分解(Empirical Mode Decomposition,EMD)进行降噪预处理,重构EMD分解得到的本征模态函数(Intrinsic Mode Function,IMF),将重构信号输入到相关系数SVD系统中,利用相关系数自适应的确定奇异值分解过程中的延迟步长和重构维数,进而筛选出有效目标分量,再对选定的分量进行包络谱分析。实验分析表明,该方法可以提取单向阀故障特征,有较强的实用性;(2)针对(1)中降噪方法虽然可以对单向阀的振动信号起到很好的降噪作用,但其降噪过程中也会将有用信号剔除和传统随机共振在强噪声背景下不能达到很好的共振效果的问题,提出基于随机共振(Stochastic Resonance,SR)的单向阀故障检测方法。首先对故障振动信号使用(1)中降噪算法达到降噪目的,并通过相关系数最优确定奇异值分解过程中延迟步长和重构维数,进而最优的提取到效分量信号;利用蚁群算法对随机共振的参数进行寻优,随机共振特有的谱能量调配能力----利用噪声能量对单向阀故障特征信息进行分析;实验分析证明该方法能很好的提取单向阀故障特征,具有一定的可行性和有效性;(3)针对传统随机共振方法在故障诊断方面仅适用于小参数条件的问题,提出变步长随机共振对强噪声干扰下单向阀的振动信号进行相应的压缩比分析,达到在强噪声干扰下对单向阀的故障特征进行提取。首先对故障振动信号进行EMD降噪预处理,选取包含故障特征的本征模态函数(IMF)分量,对选取的本征模态函数分量进行变步长随机共振分析,完成单向阀的故障诊断;实验分析证明该方法能打破传统随机共振方法仅适用于小参数条件的约束,能较好的在强噪声干扰下提取出单向阀故障特征;论文主要以高压隔膜泵单向阀为研究对象,针对单向阀的振动信号被强噪声所干扰导致故障特征不明显且故障特征信息难以提取的问题,提出了一系列在强噪声干扰下的针对单向阀故障检测及诊断的方法,实现了单向阀在强噪声干扰下的故障特征提取及检测。