離心泵廣泛應(yīng)用于石油、石化、化工等流體領(lǐng)域,是重要的旋轉(zhuǎn)機器之一。在工作過程中,由于泵的失效會導(dǎo)致生產(chǎn)線停止運轉(zhuǎn),因此,泵失效能力的早期檢測可以保證生產(chǎn)線的連續(xù)性,同時也防止了泵本身的嚴重損壞,而監(jiān)測離心泵的健康狀況對于防止泵的意外停機至關(guān)重要。振動信號處理和技術(shù)分類的組合可以更好、更可靠的進行離心泵故障診斷。振動信號處理、尺寸測量技術(shù)和分類技術(shù)的應(yīng)用是離心泵故障診斷中更值得深入探索的一個開放研究領(lǐng)域。本文研究基于軸承振動分析的離心泵壽命研究及故障診斷,在基于條件的維護(CBM)中,預(yù)測及健康管理(PHM)的加入對系統(tǒng)的有效保護有重要作用。在此之前,直接用測量的實際數(shù)值與PHM匹配的方法會引入外部噪音,基于此模型的維護策略并不理想。為了解決上述問題,本論文提出基于條件維護(CBM)和預(yù)測與健康管理(PHM)的結(jié)合,建立一種新的故障診斷方法,從軸承的數(shù)據(jù)中提取隱藏知識以提高離心泵壽命預(yù)測性能的工具。應(yīng)用這種數(shù)據(jù)處理方法,在使用數(shù)據(jù)作為PHM輸入之前,先消除外部噪聲并進行數(shù)據(jù)匹配。我們采用泵軸承振動數(shù)據(jù)來驗證模型。將該模型與兩個相似模型進行了比較,通過建立一個智能網(wǎng)絡(luò),隱藏數(shù)據(jù)信號,獲取更多清晰的知識預(yù)測。結(jié)果表明,我們所提出的模型可以更精確地進行預(yù)測。該方法可以期待用于提高設(shè)備管理的有效性、可靠性、安全性,最終提高離心泵的使用壽命。
【學位單位】：大連理工大學
【學位級別】：碩士
【學位年份】：2018
【中圖分類】：TE65;TQ051.21
【文章目錄】：
摘要
Abstract
1 Introduction
    1.1 Maintenance Techniques
        1.1.1 Breakdown Maintenance （BM）
        1.1.2 Preventive Maintenance （PM）
        1.1.3 Condition Based Maintenance （CBM）
    1.2 Condition Monitoring （CM）
        1.2.1 Condition Monitoring Techniques
    1.3 Prognostic and Health Management （PHM）
    1.4 Scientific Contribution
    1.5 Thesis
2 A Review of Centrifugal Pumps and Their Failure Modes
    2.1 Centrifugal Pump
    2.2 The Construction of Centrifugal Pumps
        2.2.1 Pump Impeller
        2.2.2 Pump Shaft
        2.2.3 Pump Bearing
    2.3 Centrifugal pumps performance characteristics
    2.4 Common failure modes in centrifugal pumps
        2.4.1 Bearing Failure
3 An Overview of Vibration Signal Analysis
    3.1 Vibration Signal Analysis
    3.2 Understanding of Vibration in a Centrifugal Pump
        3.2.1 Hydraulic Sources-pressure pulsations
            3.2.1.1 Interaction between impeller flow and volute casing
            3.2.1.2 Flow Turbulence
            3.2.1.3 Due to Cavitation
        3.2.2 Mechanical Sources
            3.2.2.1 Unbalance
            3.2.2.2 Misalignment
            3.2.2.3 Bearing Failure
4 Research methodology
    4.1 Stage 1 （Data Collection）
        4.1.1 Centrifugal Pump Experimental Test Set Up
        4.1.2 Vibration Signal Acquisition
    4.2 Stage 2
        4.2.1 Wavelet Transforms
            4.2.1.1 Continuous Wavelet Transform （CWT）
            4.2.1.2 Discrete Wavelet Transform （DWT）
        4.2.2 Feature Extraction
            4.2.2.1 Introduction of SVM
            4.2.2.2 Intelligent Method
        4.2.3 Data Normalization
    4.3 Development of CBM to the CBM/PHM model
5 The Centrifugal Pump Bearing Test
    5.1 Centrifugal Pump Simulation
        5.1.1 Pump Simulation
        5.1.2 Bearing Simulation
        5.1.3 Schematic of Experimental Setup
        5.1.4 Bearing Vibration
    5.2 Pump Experiment
        5.2.1 Bearing Fault
        5.2.2 Experiment Setup
        5.2.3 Data Acquisition
        5.2.4 Bearing vibration
6 Modeling of Proposed Method
    6.1 Simulation and analysis of vibration signal of bearings
        6.1.1 Bearings fault signal modeling
            6.1.1.1 Inner race defect signal modeling
            6.1.1.2 Outer race defect signal modeling
            6.1.1.3 Rolling element defect signal modeling
        6.1.2 Rolling bearing fundamental characteristic frequency
    6.2 Simulation signal analysis with different location defect
    6.3 Simulation signal analysis results
7 Results and Discussion of the Proposed Method
    7.1 CBM/PHM Basic Method
        7.1.1 Artificial Neural Network （ANN） process
        7.1.2 Multi-Layer Perceptron （MLP）
    7.2 Prognosis Methods
    7.3 Discover Hidden Knowledge by Data Mining and Processing
    7.4 Data Preprocessing
Conclusions
References
Research Projects and Publications in Master Study
Acknowledgement

【相似文獻】

相關(guān)期刊論文 前10條

1 王彥梅;李佳民;;農(nóng)用汽車發(fā)動機狀態(tài)監(jiān)測系統(tǒng)與診斷方法研究[J];農(nóng)機化研究;2018年02期

2 王淵明;徐策;侯繼超;張禹生;;煙草機械中故障診斷技術(shù)的應(yīng)用[J];南方農(nóng)機;2018年04期

3 周雪軍;;故障診斷技術(shù)在煙草機械中的應(yīng)用和發(fā)展趨勢[J];科技風;2018年22期

4 陳亞明;顏云;;故障診斷方法現(xiàn)狀及發(fā)展方向研究[J];電工技術(shù);2018年18期

5 單建虎;;石化轉(zhuǎn)動設(shè)備狀態(tài)監(jiān)測與故障診斷平臺及應(yīng)用[J];石化技術(shù);2017年10期

6 石志軍;陳信在;高金寶;;艦船電子裝備電路板的故障診斷策略研究[J];科技與企業(yè);2016年01期

7 謝敏;樓鑫;羅芊;;航天器故障診斷技術(shù)綜述及發(fā)展趨勢[J];軟件;2016年07期

8 付麗莉;;汽輪機故障診斷技術(shù)的發(fā)展分析和研究[J];科技創(chuàng)新與應(yīng)用;2015年08期

9 謝春萍;梁家榮;;星型網(wǎng)絡(luò)的幾種故障診斷度研究[J];廣西大學學報(自然科學版);2015年03期

10 周敏婷;;大功率陶瓷真空電容的故障診斷和失效分析[J];同行;2016年08期

相關(guān)博士學位論文 前10條

1 茆志偉;活塞式發(fā)動機典型故障診斷及非穩(wěn)定工況監(jiān)測評估方法研究[D];北京化工大學;2018年

2 黃杰;基于智能學習的電噴汽車故障診斷與監(jiān)測評估系統(tǒng)的研究[D];中國農(nóng)業(yè)大學;2018年

3 王奉濤;非平穩(wěn)信號故障特征提取與智能診斷方法的研究及應(yīng)用[D];大連理工大學;2003年

4 錢華明;故障診斷與容錯技術(shù)及其在組合導(dǎo)航系統(tǒng)中的應(yīng)用研究[D];哈爾濱工程大學;2004年

5 蔣麗英;基于FDA/DPLS方法的流程工業(yè)故障診斷研究[D];浙江大學;2005年

6 韓彥嶺;面向復(fù)雜設(shè)備的遠程智能診斷技術(shù)及其應(yīng)用研究[D];上海大學;2005年

7 張君;小波分析技術(shù)在汽輪機故障診斷中的應(yīng)用研究[D];華北電力大學（河北）;2005年

8 鄧學欣;開放式故障診斷構(gòu)架及動態(tài)測試分析方法研究[D];天津大學;2004年

9 譚樹彬;軋機厚控系統(tǒng)狀態(tài)監(jiān)測與故障診斷的研究與應(yīng)用[D];東北大學;2006年

10 賈明興;不確定系統(tǒng)魯棒故障診斷[D];東北大學;2003年

相關(guān)碩士學位論文 前10條

1 田勝偉;針對石腦油裂解制乙烯過程的監(jiān)測與故障診斷[D];北京化工大學;2018年

2 孫夢云;分層異構(gòu)自組織網(wǎng)絡(luò)中的自治愈技術(shù)研究[D];南京航空航天大學;2018年

3 黃丹丹;基于多信號模型的故障診斷策略優(yōu)化設(shè)計及在液壓AGC系統(tǒng)中的應(yīng)用[D];南京航空航天大學;2018年

4 焦天琦;基于云服務(wù)模式的遠程智能故障診斷系統(tǒng)的實現(xiàn)[D];北京化工大學;2018年

5 李沛潔;面向工業(yè)過程故障診斷的條件狀態(tài)模糊Petri網(wǎng)建模與推理[D];北京化工大學;2018年

6 王珂;航空發(fā)動機燃油調(diào)節(jié)器建模與故障診斷[D];大連理工大學;2018年

7 ALI OMIDI;基于軸承振動分析的智能離心泵壽命研究及故障診斷[D];大連理工大學;2018年

8 薛楊濤;化工故障診斷決策方法研究[D];蘇州大學;2018年

9 胡志新;基于深度學習的化工故障診斷方法研究[D];杭州電子科技大學;2018年

10 李妍美;基于深度學習網(wǎng)絡(luò)的潛油往復(fù)抽油機故障診斷研究[D];哈爾濱理工大學;2018年

本文編號：2879544