本文選題：MF-DFA　切入點：IKNNModel　出處：《東北石油大學》2015年碩士論文

【摘要】：往復(fù)壓縮機廣泛應(yīng)用于石油化工等工業(yè)生產(chǎn)中,并成為工業(yè)裝置中的核心設(shè)備。目前,往復(fù)壓縮機狀態(tài)監(jiān)測與故障診斷技術(shù),已成為國內(nèi)外故障診斷領(lǐng)域的研究熱點問題,而特征提取又是其故障診斷技術(shù)中的難點之一。針對具有非線性非平穩(wěn)特性的往復(fù)壓縮機振動信號,本文提出了運用多重分形的方法,對其進行局部奇異特性量化描述,并采用了新的故障識別方法進行故障分類識別,結(jié)果表明,此方法能夠有效地對往復(fù)壓縮機常見故障進行診斷,并為往復(fù)壓縮機故障診斷研究提供了新的思路。首先,通過查閱大量文獻資料,對目前往復(fù)壓縮機的故障診斷技術(shù)研究現(xiàn)狀進行了綜述,提出了本文的研究構(gòu)想。在對往復(fù)壓縮機的基本結(jié)構(gòu)、工作原理進行簡要概述的基礎(chǔ)上,著重對主要零部件的常見故障形式及其故障機理進行了深入分析。其次,針對往復(fù)壓縮機振動信號的非線性特性,本文提出采用多重分形的方法對其進行故障特征提取,主要介紹了分形和多重分形理論及基本算法,在此基礎(chǔ)上,提出多重分形去趨勢波動分析(MF-DFA)理論,并對往復(fù)壓縮機氣閥故障振動信號進行分析,驗證了MF-DFA方法在往復(fù)壓縮機振動信號特征提取方面的有效性。而后,對于采用MF-DFA方法,提取出的往復(fù)壓縮機故障特征向量參數(shù)而言,選用一般常見的故障識別方法,存在故障識別率低模式狀態(tài)相互混淆難以區(qū)分等問題,引用了一種新的故障識別方法——增量學習KNNModel算法(IKNNModel)。通過與其他故障識別方法比較,證明了此方法在往復(fù)壓縮機故障分類識別方面具有明顯的優(yōu)越性。最后,將多重分形去趨勢波動分析理論和增量學習KNNModel算法結(jié)合起來,從往復(fù)壓縮機故障特征提取與識別的角度出發(fā),詳細闡明了往復(fù)壓縮機振動信號數(shù)據(jù)預(yù)處理故障特征提取故障特征參數(shù)優(yōu)選和故障特征識別等關(guān)鍵問題,提出了一套完整的基于MF-DFA與IKNNModel算法的往復(fù)壓縮機故障診斷方法。對2D12型往復(fù)壓縮機常見故障實測數(shù)據(jù)的分析表明,該方法可準確提取故障特征,且可準確識別故障類型,為往復(fù)壓縮機故障診斷提供了新的研究途徑。
[Abstract]:Reciprocating compressors are widely used in petroleum? At present, the state monitoring and fault diagnosis technology of reciprocating compressor has become a hot issue in the field of fault diagnosis at home and abroad. Feature extraction is one of the difficulties in fault diagnosis. The vibration signals of reciprocating compressors with non-stationary characteristics are described quantitatively by multifractal method, and a new fault identification method is used to classify and identify the faults. This method can effectively diagnose the common faults of reciprocating compressors and provide a new idea for the research of fault diagnosis of reciprocating compressors. The present situation of fault diagnosis technology of reciprocating compressor is summarized, the research conception of this paper is put forward, and the basic structure and working principle of reciprocating compressor are briefly summarized. The common fault forms and fault mechanism of main parts are analyzed in detail. Secondly, in view of the nonlinear characteristics of vibration signals of reciprocating compressors, a multifractal method is proposed to extract the fault features of reciprocating compressors. This paper mainly introduces the fractal and multifractal theory and its basic algorithm. On this basis, the multifractal detrend fluctuation analysis theory and MF-DFAtheory are put forward, and the vibration signal of reciprocating compressor valve fault is analyzed. The validity of MF-DFA method in vibration signal feature extraction of reciprocating compressor is verified. Then, for the parameters of fault eigenvector extracted from reciprocating compressor by MF-DFA method, the common fault identification method is used. Is there a low rate of fault identification? In this paper, a new method of fault identification, incremental learning KNNModel algorithm, is proposed, which is difficult to distinguish the pattern states from each other. By comparing with other fault identification methods, an incremental learning KNNModel algorithm is proposed. It is proved that this method has obvious advantages in fault classification and identification of reciprocating compressors. Finally, the theory of multifractal de-trend fluctuation analysis and incremental learning KNNModel algorithm are combined. From the point of view of fault feature extraction and identification of reciprocating compressor, the data preprocessing of vibration signal of reciprocating compressor is expounded in detail. Fault feature extraction? In this paper, a complete method of fault diagnosis for reciprocating compressor based on MF-DFA and IKNNModel algorithm is proposed. The analysis of common fault data of 2D12 reciprocating compressor shows that, This method can accurately extract fault features and identify fault types, which provides a new approach for fault diagnosis of reciprocating compressors.
【學位授予單位】：東北石油大學
【學位級別】：碩士
【學位授予年份】：2015
【分類號】：TH45

【相似文獻】

相關(guān)期刊論文 前10條

1 賈振卿;往復(fù)壓縮機的運行與維護[J];通用機械;2002年Z2期

2 肖忠臣,王瑞森;煉廠用往復(fù)壓縮機級列數(shù)選擇原則[J];壓縮機技術(shù);2002年01期

3 王瑞金;國產(chǎn)往復(fù)壓縮機安裝試車過程中存在的問題[J];壓縮機技術(shù);2002年04期

4 王正洪,尤一匡,張小鳴,張琳;往復(fù)壓縮機的狀態(tài)監(jiān)測和故障的診斷方法[J];江蘇工業(yè)學院學報;2004年03期

5 孫明;往復(fù)壓縮機故障診斷綜述[J];油氣田地面工程;2004年08期

6 張琳,朱瑞松,尤一匡,尤侯平,王正洪;往復(fù)壓縮機監(jiān)測與診斷技術(shù)研究現(xiàn)狀與展望[J];化工進展;2004年10期

7 尤一匡,張琳,王正洪;往復(fù)壓縮機在線示功監(jiān)測系統(tǒng)研究[J];流體機械;2005年02期

8 郭文濤,陳黎明,祝捷;往復(fù)壓縮機脈動緩沖器的容積確定[J];壓縮機技術(shù);2005年01期

9 李雙剛;王賡;王鴻瑋;;往復(fù)壓縮機無擾動切換功能的實現(xiàn)[J];壓縮機技術(shù);2006年01期

10 戴新西;賀運初;王大勇;;大型往復(fù)壓縮機異常振動原因分析及處理[J];石油和化工設(shè)備;2006年03期

相關(guān)會議論文 前8條

1 王金東;王巍;李宏燦;李新偉;;往復(fù)壓縮機軸承故障的多重分形特征提取[A];2008年全國振動工程及應(yīng)用學術(shù)會議暨第十一屆全國設(shè)備故障診斷學術(shù)會議論文集[C];2008年

2 王智偉;張鵬;王金東;杜永軍;王巍;;基于虛擬儀器的往復(fù)壓縮機監(jiān)測系統(tǒng)研究[A];第十二屆全國設(shè)備故障診斷學術(shù)會議論文集[C];2010年

3 丁月敏;;探究往復(fù)壓縮機的設(shè)計方案 以4M80(85)為例[A];第八屆沈陽科學學術(shù)年會論文集[C];2011年

4 郭文濤;;往復(fù)壓縮機管線的振動分析方法探究[A];創(chuàng)新沈陽文集（A）[C];2009年

5 竇唯;孫明;劉樹林;;基于免疫機理的往復(fù)壓縮機在線狀態(tài)監(jiān)測方法[A];第八屆全國振動理論及應(yīng)用學術(shù)會議論文集摘要[C];2003年

6 趙海峰;劉樹林;王憲明;徐艷;;往復(fù)壓縮機氣閥故障的瞬態(tài)特征提取方法研究[A];2008年全國振動工程及應(yīng)用學術(shù)會議暨第十一屆全國設(shè)備故障診斷學術(shù)會議論文集[C];2008年

7 姚德群;余志紅;楊素春;王朝暉;;基于數(shù)據(jù)挖掘的往復(fù)壓縮機氣閥故障診斷設(shè)計[A];設(shè)備監(jiān)測與診斷技術(shù)及其應(yīng)用——第十二屆全國設(shè)備監(jiān)測與診斷學術(shù)會議論文集[C];2005年

8 高晶波;王日新;徐敏強;夏松波;;基于時頻分析的往復(fù)壓縮機氣閥故障診斷方法的研究[A];第八屆全國振動理論及應(yīng)用學術(shù)會議論文集摘要[C];2003年

相關(guān)博士學位論文 前2條

1 趙海洋;往復(fù)壓縮機軸承間隙故障診斷與狀態(tài)評估方法研究[D];哈爾濱工業(yè)大學;2014年

2 趙海峰;基于HHT的往復(fù)壓縮機故障診斷研究[D];東北石油大學;2011年

相關(guān)碩士學位論文 前10條

1 臧志賓;往復(fù)壓縮機潤滑站系統(tǒng)結(jié)構(gòu)研究及優(yōu)化設(shè)計[D];沈陽理工大學;2015年

2 于小龍;基于模態(tài)分析的往復(fù)壓縮機管線故障診斷及減振方法研究[D];北京化工大學;2015年

3 伍永強;往復(fù)壓縮機網(wǎng)狀簧片閥工作特性研究[D];廣西大學;2015年

4 徐豐甜;基于敏感特征提取的往復(fù)壓縮機智能診斷技術(shù)研究[D];北京化工大學;2015年

5 趙雨薇;往復(fù)壓縮機早期故障智能預(yù)警關(guān)鍵技術(shù)研究及應(yīng)用[D];北京化工大學;2015年

6 謝軼男;往復(fù)壓縮機氣閥瞬態(tài)特性及故障模擬研究[D];北京化工大學;2015年

7 田，

本文編號：1672538