论文部分内容阅读
离心风机作为一种用来输送气体的旋转机械,已经应用到生产生活的各个领域。叶轮是风机系统中最主要的核心部件,它对整个系统的好坏以及安全性能都起着决定性作用。叶片又是叶轮的核心部件,承受着多个力的相互作用,叶片断裂是风机系统中严重的故障隐患之一。目前对于离心风机叶片断裂程度大小的诊断以及相关实验研究相对不足,本文以某高速列车冷却系统的离心风机为研究对象,从实践角度出发,进行叶片故障诊断方法与实验研究。本文的主要研究内容如下:(1)针对离心风机叶片故障数据不足,本文采用有限元仿真与实验相结合的方法,寻找叶片依次破坏方式,进行叶片断裂程度的故障实验,组建叶片故障数据库。通过离心风机的静力学分析、有限元分析、自主搭建的应力应变测试实验台测试数据以及真实叶片断裂样本的相互验证,推断出叶片出现疲劳断裂的位置,并以此来人工模拟叶片实际不同断裂程度的四种状态下样本。然后搭建振动信号采集实验台,在蜗壳、轴承座以及台架底座上六个测点位置,分别采集了额定转速下叶片四种状态的振动信号,组建成叶片的故障数据库。(2)基于经验模态分解法(Empirical Mode Decomposition,简称EMD)对离心风机叶片进行故障特征提取。首先对振动信号进行时域频域分析,初步选择能够较好反映故障特征的测点。然后对信号进行EMD分解,通过能量分布、相关系数法与K-L散度法选择有效的固有模态函数(Intrinsic Mode Function,简称IMF),并提取有效IMF分量的峭度、瞬时能量占比、复杂度熵与精细广义多尺度熵组成风机叶片的故障特征向量。通过对比原信号与IMF分量之间的多尺度熵、广义多尺度熵和精细广义多尺度熵的区分度,验证IMF分量精细广义多尺度熵的优势。最后基于最小冗余原则选出最优振动测点,为离心风机叶片的故障预测奠定基础。(3)运用粒子群算法优化支持向量机(Support Vector Machine,简称SVM)对离心风机叶片故障模式识别。将最优测点的特征向量作为输入向量,通过核函数的选择与参数寻优得到最优支持向量机模型,识别准确率达到97.5%。同时通过样例验证测点优选方法的有效性。将多个特征组成故障特征向量与单个故障特征输入做对比,还将优化后的SVM与标准SVM和BP神经网络分别进行识别结果对比,优化模型的准确率最高,进而说明此优化模型的优势所在,以及在离心风机故障诊断技术的应用价值及其可行性。本文所述方法可为离心风机的故障诊断与实验研究提供参考与指导,对离心风机以及高速列车冷却系统的安全运行具有重要意义。