基于RBF神经网络的离心泵地脚螺栓松动故障诊断

为了准确识别卧式离心泵地脚螺栓松动故障,搭建了卧式离心泵机组诊断平台,采用电涡流传感器对离心泵转子位移进行监测.将采集的转子位移信号经过经验模态分解法(empirical mode decomposition, EMD)分解为多个固有模态函数(intrinsic mode function, IMF),对各层IMF频谱特征、相关系数及能量占比进行分析得到故障敏感分量.最后,通过径向基(radial basis function, RBF)神经网络对离心泵松动故障进行识别预测.结果表明:采用EMD方法可以有效提取出离心泵松动故障特征,IMF5—IMF8层可作为故障特征分量.通过将IMF5—IMF8层的相关系数和能量占比作为故障特征输入到RBF神经网络中进行识别,准确率可达95%.     

基于PSO-SVM-RF的离心泵转子故障诊断研究

转子是离心泵的重要组件之一，对转子运行状态的检测和诊断的研究具有重要意义。转子不平衡、不对中故障引发的故障特征较为相似，为了有效识别离心泵这两种转子故障。通过在离心泵进口法兰位置布置振动加速度传感器进行信号采集，提取原信号时频域特征，并利用随机森林算法筛选出重要性较高6个特征并将随机森林得到的分类结果作为PSO-SVM的输入，进而来区分正常、转子不对中、转子不平衡故障，同时还比较了该方法与传统PSO-SVM的故障识别率。结果表明，该模型PSO优化迭代次数更少、具有更高的识别率，对故障的识别率达到99.36%。