本书在全面研究旋转机械运行的工作原理基础上,分析了大量的旋转机械研究成果。这些研究中主要是针对分析算法的理论研究,采用的数据大都是仿真推导结果,很少有真实实验数据作为支撑。但是仿真和实际情况存在不小偏差,为了将理论和实际紧密结合,本书在理论分析基础上,通过搭建故障实验平台取得了真实的振动数据信号进行数据分析,这样推导出的结果真实可靠,具有推广性。本书采用轴流泵作为实验对象,轴流泵是旋转机械的典型代表。通过对轴流泵实验所产生的数据以及运行规律的研究,能够进一步验证故障模式识别算法。本书主要的特色和创新点有以下几个方面:
(1)自主研制了针对旋转机械振动信号专用数据采集模块及相应的采集分析软件。该模块打破了国外垄断,采用了PXI面向仪器总线、高分辨率模数(Analog/Digital,简称A/D)转换和现场可编程门阵列(Field-Programmable Gate Array,简称FPGA)技术,经过测试证明性能指标均达到了设计要求。
(2)在进行振动信号特征提取方面,本书在分析了时域、频域和联合时频分析基础上,提出了将振动烈度、小波能量谱和小波能量谱最大分解层系数功率谱相结合的振动提取分析方法VWC,VWC具有时域或频域分析无法比拟的优势,尤其是在对微弱振动信号的提取方面。(www.xing528.com)
(3)故障模式分类是一个学习训练的过程,在工业生产过程中较为流行的是使用人工神经网络。但是在旋转机械的特殊工况模式下,不太可能提供大量的故障样本数据。因此人工神经网络并不完全适用于旋转机械故障模式分类。为此,本书中采用了支持向量机算法SVM,它能有效地克服神经网络“维数灾难”“过学习”和局部极值的问题。与传统SVM不同之处:为了提高SVM分类识别率,本书采用了MSFLA算法对SVM的参数进行优化以提高故障识别率。本书在将MSFLA-SVM用于旋转机械故障模式分类方面了做了大胆探索和尝试,并取得了良好的效果。
本书的研究结果可以推广到使用旋转机械的工业生产中,这样能使研究成果更加具有经济价值,提高生产效率。
免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。