基于多源域数据与机器学习算法的转子不平衡故障诊断

摘要

国内能源生产装置规模大型化发展趋势明显，与其配套的旋转机械设备发生故障导致的非计划停机将会造成严重的经济损失与重大安全问题。转子不平衡贯穿了旋转机械设备的整个生命周期，服役转子的状态诊断格外重要。针对大型旋转机械振动测点较多，振动信号具有非平稳特征等问题，提出基于多源域数据提取与机器学习算法的转子不平衡故障诊断模型。首先以多源振动监测数据为驱动，根据互相关系数提取故障信息丰富的振动信号，融合时域、频域、时频域等多域特征构建高维混合特征空间；其次利用基于t分布的随机邻域嵌入方法揭示高维空间的特征信息，反映为可视化的三维空间；最终通过最邻近节点算法进行故障分类，判断转子的不平衡质量与相位。本文提出利用互相关系数表征多源数据的故障信息丰富程度，并结合机器学习手段判断转子不平衡类型。通过设计不同附加质量的转子在多转速下不平衡状态实验，验证了所提模型的有效性，解决了转子在线诊断和现场动平衡问题。

关键词

转子不平衡 / 多源域数据 / 智能故障诊断 / 旋转机械

基金资助

内蒙古重大科技专项(2020ZD0017); 陕西省创新能力支撑计划(2023KJXX-086)