关键词:
行星齿轮箱
早期故障诊断
多点最优最小熵解卷积
卷积神经网络
核电循环水泵
摘要:
核电循环水系统中的循环水泵(CRF)机组的稳定可靠运行是保障核电产能输出与提升经济性的重要环节之一。行星齿轮箱具有提供大传动比和结构紧凑等优势,是核电循泵机组的核心部件。因此,保证其健康稳定的运行对于保障CRF泵组无故障运行至关重要。本文以CRF泵组的行星齿轮箱作为研究对象,采用现代信号处理技术和深度学习技术对核电CRF泵组行星齿轮箱故障开展诊断方法研究。论文的主要研究内容如下:
(1)分析了行星齿轮箱的基本结构和传动特性,研究了行星齿轮箱振动信号传递路径的时变特性,阐述了行星齿轮箱中行星轮轴承较为常见的故障类型和振动机理。搭建了核电CRF泵组行星齿轮箱故障模拟试验台,加工了12种不同类型的行星齿轮箱故障,在CRF泵组试验台上采集不同故障类型的振动加速度信号,为后续的故障诊断方法研究奠定基础。
(2)针对核电站CRF泵组中行星齿轮箱轴承故障特征弱、特征提取难度大的问题,提出一种基于时频微分交叉的量子粒子群算法(Time-frequency Differential Cross Quantum Particle Swarm Optimization,TFDC-QPSO),优化多点最小最优熵解卷积(Multi-point Optimal Minimum Entropy Deconvolution,MOMEDA)算法,以提取行星齿轮箱轴承的周期性故障冲击。首先,对QPSO算法同时引入微分进化(Differential Evolution,DE)算子和交叉(Crossover,CO)算子,构建一种兼具全局寻优能力和高效算法执行率的DC-QPSO算法。其次,提出一种联合包络谐噪比谱熵(Envelope Harmonic Noise Ratio Spectrum Entropy,EHNR_SE)和故障振幅能量比的平方包络谱(Squared Envelope Spectrum of Fault Amplitude Energy Ratio,SESFAER)的评价指标,以自适应优化MOMEDA参数滤波器长度L和故障周期T。最后,使用参数优化的MOMEDA对故障信号进行特征提取,通过包络分析确定故障类型。在核电CRF泵组试验台行星轮轴承内、外圈试验信号和核电CRF泵组现场测试信号上验证了本文提出的方法,结果表明该方法可有效抑制噪音和干扰成分,对行星轮轴承故障实现准确诊
(3)针对一维卷积神经网络(1-Dimensional Convolutional Neural Network,1DCNN)对故障特征难以实现自适应关注和不同位置传感器提供的互补故障特征难以自适应融合的问题,提出一种基于多源信息融合结合多注意力的一维卷积神经网络(Multi-source Information Fusion combined with Multi-attention1DCNN,MSFMA-1DCNN)。首先,使用混合多注意力的一维卷积神经网络(Hybrid Multi-attention 1DCNN,HMA1DCNN)对单传感器信号提取故障特征信息。其次,提出一种多源信息融合机制(Multi-source Information Fusion Mechanism,MIFM),依据不同传感器对故障诊断结果的贡献力,合理分配权重进行特征融合。最后,使用分类器对行星齿轮箱的不同健康状态进行分类。为了真实的模拟现场工况,使用获取的CRF泵组试验台的行星齿轮箱故障数据集,准备了强噪背景和不平衡背景的数据集,并将本章提出的方法在两种数据集上进行了验证。结果表明MSFMA-1DCNN模型对行星齿轮箱的不同健康状态可实现精确分类,其故障诊断结果均优于其余5种神经网络模型。