綠色低碳的現(xiàn)代能源體系背景下,清潔能源的安全高效利用對加快能源結(jié)構(gòu)調(diào)整及推進(jìn)生態(tài)文明建設(shè)意義重大,。作為清潔能源轉(zhuǎn)換的核心設(shè)備,水電、風(fēng)電機(jī)組的巨型化和耦合化使得其運(yùn)行過程中的振動問題和故障風(fēng)險日益突出,這對系統(tǒng)的振動信號分析與早期故障辨識方法提出了更高要求,。日本TOKIMEC電磁閥DG4V-3-3C-M-P2-T-7-56日本TOKIMEC東機(jī)美電磁閥.液壓電磁換向閥.葉片泵.日本TOKIMEC（東京計器,，東機(jī)美）因此,本文以水輪發(fā)電機(jī)組、風(fēng)力發(fā)電機(jī)組等大型旋轉(zhuǎn)機(jī)械為研究對象,通過凝煉系統(tǒng)早期故障診斷中的關(guān)鍵科學(xué)問題,解析了多故障源耦合激勵下的系統(tǒng)非線性動力學(xué)特性和故障機(jī)理,深入開展了基于噪聲干擾抑制和噪聲輔助分析的早期故障信號辨識理論研究,提出了大型旋轉(zhuǎn)機(jī)械復(fù)合故障分離與特征提取方法,構(gòu)建了系統(tǒng)關(guān)鍵設(shè)備性能評估與劣化分析模型,對保障機(jī)組安全穩(wěn)定運(yùn)行和推進(jìn)狀態(tài)檢修體制改革具有一定的理論創(chuàng)新意義和工程應(yīng)用價值,。論文主要研究工作及創(chuàng)新性成果如下:(1)針對大型旋轉(zhuǎn)機(jī)械中貫流式機(jī)組操作油管不對中,、受油器松動及操作油管與浮動瓦碰摩問題,建立了考慮操作油雜質(zhì)影響的時變非線性油膜力模型,并搭建了多源激勵下的機(jī)組耦合故障動力學(xué)模型,研究了系統(tǒng)隨不對中分量、操作油雜質(zhì)和受油器徑向剛度等參數(shù)變化出現(xiàn)的周期運(yùn)動,、擬周期運(yùn)動等非線性動力學(xué)行為,揭示了多故障源耦合激勵下的系統(tǒng)動力學(xué)特性和故障機(jī)理,。

日本TOKYOKEIKI東京計器電磁閥DG4V-3-0C-M-U7-H-7-54 DG4V-3-0B-M-U7-H-7-54、DG4V-3-0BL-M-U7-H-7-54,、DG4V-3-1C-M-U7-H-7-54,、DG4V-3-1B-M-U7-H-7-54、DG4V-3-1BL-M-U7-H-7-54,、DG4V-3-2C-M-U7-H-7-54,、DG4V-3-2B-M-U7-H-7-54、DG4V-3-2BL-M-U7-H-7-54,、DG4V-3-3C-M-U7-H-7-54,、DG4V-3-3B-M-U7-H-7-54、DG4V-3-3BL-M-U7-H-7-54 DG4V-3-6C-M-U7-H-7-54,、DG4V-3-6B-M-U7-H-7-54,、DG4V-3-6BL-M-U7-H-7-54、DG4V-3-7C-M-U7-H-7-54,、DG4V-3-7B-M-U7-H-7-54,、DG4V-3-7BL-M-U7-H-7-54、DG4V-3-8C-M-U7-H-7-54,、DG4V-3-8B-M-U7-H-7-54 DG4V-3-8BL-M-U7-H-7-54,、DG4V-3-22C-M-U7-H-7-54、DG4V-3-22B-M-U7-H-7-54,、DG4V-3-22BL-M-U7-H-7-54,、DG4V-3-31C-M-U7-H-7-54、DG4V-3-31B-M-U7-H-7-54,、DG4V-3-31BL-M-U7-H-7-54,、DG4V-3-33C-M-U7-H-7-54 DG4V-3-33B-M-U7-H-7-54(2)針對大型旋轉(zhuǎn)機(jī)械早期故障辨識受強(qiáng)背景噪聲干擾問題,開展了基于噪聲干擾抑制的微弱故障信號檢測研究,一方面,分析了噪聲強(qiáng)度對傳統(tǒng)經(jīng)驗(yàn)?zāi)B(tài)分解降噪算法中分量重構(gòu)效果的影響,研究了不同固有模態(tài)分量重構(gòu)后信號概率密度函數(shù)的豪斯多夫距離變化趨勢,提出了一種基于重構(gòu)信號概率密度函數(shù)相似性的經(jīng)驗(yàn)?zāi)B(tài)分解降噪算法;另一方面,討論了大幅值噪聲信號對傳統(tǒng)經(jīng)驗(yàn)?zāi)B(tài)分解降噪算法中固有模態(tài)分量閾值處理效果的影響,引入了熵閾值代替直接對每個分量的采樣點(diǎn)進(jìn)行閾值化,并結(jié)合分位數(shù)理論構(gòu)建了多尺度閾值并計算了原始信號所在區(qū)域的故障概率,提出了一種基于概率熵閾值的經(jīng)驗(yàn)?zāi)B(tài)分解降噪算法,。通過模型仿真、實(shí)驗(yàn)和工程實(shí)例驗(yàn)證了所提出降噪算法在大型旋轉(zhuǎn)機(jī)械微弱故障信號檢測中的有效性,。(3)考慮基于噪聲輔助分析理論隨機(jī)共振來增強(qiáng)大型旋轉(zhuǎn)機(jī)械早期故障特征,定性和定量分析了不同噪聲強(qiáng)度下二維Duffing振子模型隨機(jī)共振方法的周期特征增強(qiáng)效果,推導(dǎo)了二維Duffing振子模型隨機(jī)共振現(xiàn)象發(fā)生的必要條件,并研究了不同參數(shù)條件下系統(tǒng)輸出信號特征幅值隨噪聲強(qiáng)度的變化趨勢,。在此基礎(chǔ)上構(gòu)造了基于排列熵的信號篩選準(zhǔn)則并提出了基于二維部分Duffing振子模型隨機(jī)共振理論的故障特征增強(qiáng)算法,實(shí)現(xiàn)了噪聲能量向故障信號的大化轉(zhuǎn)移,并成功應(yīng)用于大型旋轉(zhuǎn)機(jī)械早期磨損故障特征識別。(4)針對大型旋轉(zhuǎn)機(jī)械中風(fēng)電機(jī)組早期復(fù)合故障特征耦合及微弱故障信號難以識別問題,分析了復(fù)合故障模式下快速峭度圖中的多個譜峭度極大值現(xiàn)象,建立了帶通濾波器模型進(jìn)行解卷積處理獲取顯著故障信號,并構(gòu)建了帶阻濾波器模型進(jìn)行窄帶帶阻濾波濾除顯著共振頻譜信號從而抑制其對微弱故障特征識別影響,提出了基于連續(xù)譜峭度解卷積的早期復(fù)合故障診斷方法,。通過典型模型仿真和工程實(shí)例應(yīng)用表明所提出算法有效實(shí)現(xiàn)了大型旋轉(zhuǎn)機(jī)械復(fù)合故障分離和微弱故障特征提取,。(5)考慮到大型旋轉(zhuǎn)機(jī)械關(guān)鍵設(shè)備的性能對整個系統(tǒng)安全穩(wěn)定運(yùn)行的重要性,從故障概率變化的角度開展了基于邏輯回歸理論的設(shè)備劣化趨勢分析和狀態(tài)評估研究,引入了改進(jìn)K均值聚類算法對邏輯回歸模型的自變量進(jìn)行離散化處理來增強(qiáng)模型泛化能力和魯棒性,建立了基于數(shù)據(jù)驅(qū)動的大型旋轉(zhuǎn)機(jī)械關(guān)鍵設(shè)備性能評估模型,并成功應(yīng)用于工程實(shí)例中設(shè)備故障演化過程分析,同時對大型旋轉(zhuǎn)機(jī)械早期故障辨識也有一定指導(dǎo)意義。

日本TOKIMEC電磁閥DG4V-3-3C-M-P2-T-7-56日本TOKIMEC東機(jī)美電磁閥.液壓電磁換向閥.葉片泵.日本TOKIMEC（東京計器,，東機(jī)美）綠色低碳的現(xiàn)代能源體系背景下,清潔能源的安全高效利用對加快能源結(jié)構(gòu)調(diào)整及推進(jìn)生態(tài)文明建設(shè)意義重大,。作為清潔能源轉(zhuǎn)換的核心設(shè)備,水電、風(fēng)電機(jī)組的巨型化和耦合化使得其運(yùn)行過程中的振動問題和故障風(fēng)險日益突出,這對系統(tǒng)的振動信號分析與早期故障辨識方法提出了更高要求,。因此,本文以水輪發(fā)電機(jī)組,、風(fēng)力發(fā)電機(jī)組等大型旋轉(zhuǎn)機(jī)械為研究對象,通過凝煉系統(tǒng)早期故障診斷中的關(guān)鍵科學(xué)問題,解析了多故障源耦合激勵下的系統(tǒng)非線性動力學(xué)特性和故障機(jī)理,深入開展了基于噪聲干擾抑制和噪聲輔助分析的早期故障信號辨識理論研究,提出了大型旋轉(zhuǎn)機(jī)械復(fù)合故障分離與特征提取方法,構(gòu)建了系統(tǒng)關(guān)鍵設(shè)備性能評估與劣化分析模型,對保障機(jī)組安全穩(wěn)定運(yùn)行和推進(jìn)狀態(tài)檢修體制改革具有一定的理論創(chuàng)新意義和工程應(yīng)用價值。論文主要研究工作及創(chuàng)新性成果如下:(1)針對大型旋轉(zhuǎn)機(jī)械中貫流式機(jī)組操作油管不對中,、受油器松動及操作油管與浮動瓦碰摩問題,建立了考慮操作油雜質(zhì)影響的時變非線性油膜力模型,并搭建了多源激勵下的機(jī)組耦合故障動力學(xué)模型,研究了系統(tǒng)隨不對中分量,、操作油雜質(zhì)和受油器徑向剛度等參數(shù)變化出現(xiàn)的周期運(yùn)動、擬周期運(yùn)動等非線性動力學(xué)行為,揭示了多故障源耦合激勵下的系統(tǒng)動力學(xué)特性和故障機(jī)理,。(2)針對大型旋轉(zhuǎn)機(jī)械早期故障辨識受強(qiáng)背景噪聲干擾問題