转子系统不平衡-不对中耦合故障的动力学分析与诊断

摘要

在旋转机械中,由于制造、装配不良或系统经常处于高速、高载状态,很容易发生转子不平衡、不对中等故障,若不及时诊断,将会引发碰摩、基础松动等二次故障,进而引发多故障的相互耦合,这对机器的正常运转造成重大的影响。而系统一旦产生故障,往往不是以一种故障的形式出现,而是以多故障的相互耦合形式发生。对此,本文针对不平衡-不对中耦合故障做了如下研究:
　　首先对转子不平衡、不对中故障的机理进行了研究,建立了转子系统不平衡、不对中以及不平衡-不对中耦合故障的有限元模型。
　　对系统进行了临界速度分析和振动响应分析,采用Newmark_β数值积分法求得了耦合故障的振动特性,分析时充分考虑了转动惯量、剪切变形以及陀螺力对系统的影响。定量分析了不平衡量,不同转速对整个系统的影响。通过对转子系统耦合故障的轴心轨迹、时频特性、三维瀑布图以及轴承振动响应的研究,发现转子系统耦合故障具有丰富的故障特性。
　　分析了几种经典的流形学习算法在故障诊断中的应用,深入研究了FDA、LFDA以及IOLFDA三种流形学习算法的故障诊断机理,提出了基于小波包与LFDA的故障诊断方法。选取仿真分析中的振动数据和轴心轨迹数据作为样本,分别用这五种流形学习算法对样本进行故障诊断,发现LE和LPP算法不能识别正常和故障信号,而FDA、LFDA以及IOLFDA三种算法能够完全识别正常、单故障和耦合故障特征,IOLFDA对测试样本的识别率最高。
　　在综合故障试验台上对不平衡、不对中以及不平衡-不对中耦合故障进行了模拟实验。采用信息融合技术,对采集的故障信号进行了时频特性分析,发现故障在轴向、径向和垂向三个方向表现出了不同的故障特性;不平衡故障以1倍转频为主,不对中故障以2倍转频为主,不平衡-不对中耦合故障的特征不是两种故障特征的简单叠加,在整体上表现出了不平衡故障的特性。
　　最后将本文提出的基于小波包与LFDA算法的故障诊断方法应用到耦合故障实验中,对比分析了LE、LPP、FDA、LFDA以及IOLFDA几种流形学习算法的诊断效果,发现LE、LPP无法识别故障,FDA、LFDA识别效果较好,而小波包与LFDA的诊断效果最好,这为耦合故障诊断提供了一种有效的分析方法。

目录

封面

声明

中文摘要

英文摘要

目录

第一章 绪论

1.1 课题研究背景和意义

1.2 国内外研究现状

1.3 本文的主要工作

第二章 转子系统不平衡-不对中耦合故障建模

2.1 转子系统故障机理研究

2.2 基于DyRoBeS的转子系统不平衡-不对中耦合故障建模

2.3 本章小结

第三章 基于DyRoBeS的转子系统耦合故障动力学分析

3.1 Newmark_?数值积分法

3.2 转子系统不平衡-不对中耦合故障的模态分析

3.3 转子系统不平衡-不对中耦合故障振动响应分析

3.4 转子系统不平衡-不对中耦合故障特征频率分析

3.5 重要参数对不平衡-不对中耦合故障转子系统的影响

3.6 本章小结

第四章 转子系统仿真信号的特征提取与故障诊断

4.1 转子系统耦合故障动力学特征提取与诊断流程

4.2 转子系统不平衡-不对中耦合故障动力学特征提取

4.3 基于流形学习的转子系统故障诊断方法

4.4 转子系统不平衡-不对中耦合故障仿真信号的故障诊断

4.5 本章小结

第五章 转子系统耦合故障诊断实验

5.1 转子系统不平衡-不对中耦合故障实验台搭建

5.2 转子系统不平衡-不对中耦合故障实验方案设计

5.4 基于小波包与LFDA的不平衡-不对中耦合故障诊断

5.5 本章小结

第六章 总结与展望

6.1 论文总结

6.2 研究展望

参考文献

致谢

附录：攻读硕士学位期间主要研究成果目录