CN114263621B - 一种离心泵空化故障诊断模拟的试验方法及系统 - Google Patents
一种离心泵空化故障诊断模拟的试验方法及系统 Download PDFInfo
- Publication number
- CN114263621B CN114263621B CN202111425120.2A CN202111425120A CN114263621B CN 114263621 B CN114263621 B CN 114263621B CN 202111425120 A CN202111425120 A CN 202111425120A CN 114263621 B CN114263621 B CN 114263621B
- Authority
- CN
- China
- Prior art keywords
- cavitation
- signals
- centrifugal pump
- value
- wavelet
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Control Of Non-Positive-Displacement Pumps (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Structures Of Non-Positive Displacement Pumps (AREA)
Abstract
本发明公开了一种离心泵空化故障诊断模拟的试验方法及系统，包括以下步骤：(1)采取待测试的信号；(2)针对电信号进行特征的提取，将获取的特征值与预设值进行比较，若大于预设值离心泵执行步骤(3)；否则结束故障诊断模拟；(3)将待检测的数据输入用以识别空化状态的RBF神经网络进行空化状态的识别，输出空化状态识别结果。本发明提供一种离心泵空化故障诊断模拟的试验方法及系统，能够提升空化状态故障诊断的准确率，并且能够判断空化并发状态是单一的还是多故障。
Description
技术领域
本发明涉及离心泵空化故障诊断技术领域，具体是涉及一种离心泵空化故障诊断模拟的试验方法及系统。
背景技术
离心泵是指靠叶轮旋转时产生的离心力来输送液体的泵；离心泵是利用叶轮旋转而使水发生离心运动来工作的。离心泵在工作过程中往往会产生空化现象，空化的产生不仅会影响离心泵的运行效率，还会产生振动噪声，当空化严重时还会破坏离心泵的过流部件，影响离心泵运行的稳定性和可靠性，故需要能够准确对离心泵空化故障进行诊断的方法和系统。但是常见的系统在使用时，对离心泵空化故障的诊断模拟凭据较为单一，使得其在使用时故障诊断的准确率较低。
发明内容
发明目的：针对以上缺点，本发明提供一种离心泵空化故障诊断模拟的试验方法及系统，能够提升空化状态故障诊断的准确率。同时，本发明提供了一种离心泵空化故障诊断模拟的试验系统，能够对离心泵空化状态进行诊断模拟。
技术方案：为解决上述问题，本发明提供一种离心泵空化故障诊断模拟的试验方法，包括以下步骤：
(1)采取待测试的信号，包括离心泵噪声信号、振动信号、压力脉动信号以及离心泵驱动电机的电信号；
(2)针对离心泵驱动电机的电信号进行特征的提取，将获取的特征值与预设值进行比较，初步判断是否发生故障；若大于预设值表明发生故障，执行步骤(3)；否则表明未发生故障，结束故障诊断模拟；
(3)将待检测的数据输入用以识别空化状态的RBF神经网络进行空化状态的识别，输出空化状态识别结果；所述RBF神经网络具体构建方式为；
(3.1)采集离心泵在空化初生、临界空化、严重空化三种空化状态下离心泵的噪声信号、振动信号、压力脉动信号；将采集的信号分为训练样本和测试样本；
(3.2)对获取到的噪声信号、振动信号、压力脉动信号进行小波阈值降噪处理；对降噪后的噪声信号、振动信号、压力脉动信号进行小波包分解后进行时频域分析，获取各频带信息，计算小波包分解后的各节点的能量系数，选取能量系数最大的频带作为最优分解频段；其中所述的能量系数公式为：
式中，k为分解层数；m为节点数；n为频带信号的数据长度；s(i)为离散信号值；为各频带的能量系数；Ekm小波分解每层整体信号能量；Ek为个频带信号能量；
(3.3)提取最优分解频段的特征值，组成特征值矩阵；将特征值矩阵归一化，采用主成分分析法对特征值矩阵进行降维处理，得到主成分矩阵；提取主成分矩阵中主元1，若主元1的值小于0.05则认定离心泵处于空化初生状态；若主元1的值等于0.05，则认定离心泵处于临界空化状态；若主元1的值大于0.05则认定离心泵处于严重空化状态；
(3.4)将训练样本中特征值主成分矩阵输入RBF网络模型作为输入层，三种空化状态作为输出层，选取RBF网络隐藏层节点数，训练得到RBF神经网络。
有益效果：本发明相对于现有技术，其显著优点是：1、通过提取电信号的特征值与设定阈值比较，对电信号进行初步检测，避免检修不及时造成故障发现时间过晚，提高了该系统在使用时的安全稳定性；2、在能够识别空化状态的RBF神经网络构件过程中，对获取的不同空化状态下的信号进行降噪处理、小波分解、提取最优频段并获取主要成分矩阵作为RBF神经网络输入进行训练，提升神经网络模型的空化状态识别能力。
进一步的，步骤(3.2)所述的对获取到的噪声信号、振动信号、压力脉动信号进行小波阈值降噪处理包括以下步骤：
(3.2.1)确定小波基函数及分解层数，对获取到的噪声信号、振动信号、压力脉动信号进行小波分解，得到各层小波系数；
(3.2.2)选取阈值及阈值函数，对小波系数进行阈值降噪处理；
(3.2.3)将降噪处理后的各小波系数进行逆变换得到降噪后的信号。
进一步的，步骤(3.3)中所述的特征值包括均方根值、标准差、平均值、能量值、能量系数、能量熵、幅度、相位、峰值、偏度、自相关函数和功率谱密度函数。
本发明还提供一种离心泵空化故障诊断模拟的试验系统，包括：
信号采集模块，用于采取待测试的信号，包括离心泵噪声信号、振动信号、压力脉动信号以及离心泵驱动电机的电信号；
参数监测模块，用于针对离心泵驱动电机的电信号进行特征的提取，将获取的特征值与预设值进行比较，初步判断是否发生故障；若大于预设值表明发生故障，则进行空化状态识别；否则表明未发生故障，结束故障诊断模拟；
空化状态识别模块，用于将待检测的数据输入用以识别空化状态的RBF神经网络进行空化状态的识别，输出空化状态识别结果；所述空化状态识别模块包括：
空化状态数据采集模块，用于采集离心泵在空化初生、临界空化、严重空化三种空化状态下离心泵的噪声信号、振动信号、压力脉动信号；将采集的信号分为训练样本和测试样本；
第一波阈值降噪处理模块，用于对获取到的噪声信号、振动信号、压力脉动信号进行小波阈值降噪处理；
第一时频域分析模块，用于对降噪后的噪声信号、振动信号、压力脉动信号进行小波包分解后进行时频域分析，获取各频带信息，计算小波包分解后的各节点的能量系数，选取能量系数最大的频带作为最优分解频段；其中所述的能量系数公式为：
式中，k为分解层数；m为节点数；n为频带信号的数据长度；s(i)为离散信号值；为各频带的能量系数；Ekm小波分解每层整体信号能量；Ek为个频带信号能量；
第一时频域特征提取模块，用于提取最优分解频段的特征值，组成特征值矩阵；将特征值矩阵归一化，采用主成分分析法对特征值矩阵进行降维处理，得到主成分矩阵；提取主成分矩阵中主元1，若主元1的值小于0.05则认定离心泵处于空化初生状态；若主元1的值等于0.05，则认定离心泵处于临界空化状态；若主元1的值大于0.05则认定离心泵处于严重空化状态；
第一RBF神经网络训练模块，用于将训练样本中特征值主成分矩阵输入RBF网络模型作为输入层，三种空化状态作为输出层，选取RBF网络隐藏层节点数，训练得到能够识别空化状态的RBF神经网络；
第一信息传输模块，用于输出空化状态识别结果。
有益效果：本发明相对于现有技术，其显著优点是通过本系统能够对离心泵空化状态进行诊断模拟。
进一步的，第一波阈值降噪处理模块中对获取到的噪声信号、振动信号、压力脉动信号进行小波阈值降噪处理包括：确定小波基函数及分解层数，对获取到的噪声信号、振动信号、压力脉动信号进行小波分解，得到各层小波系数；选取阈值及阈值函数，对小波系数进行阈值降噪处理；将降噪处理后的各小波系数进行逆变换得到降噪后的信号。
进一步的，第一时频域特征提取模块中所述的特征值包括均方根值、标准差、平均值、能量值、能量系数、能量熵、幅度、相位、峰值、偏度、自相关函数和功率谱密度函数。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述的方法。
本发明还提供一种调试设备，存储器、处理器及在所述存储器上存储并可运行的程序，所述程序被处理器执行时实现上述方法的步骤。
附图说明
图1所示为本发明所述一种离心泵空化故障诊断模拟的试验方法的流程图；
图2所示为本发明所述用以识别空化状态的RBF神经网络构建方法的流程图。
具体实施方式
下面结合附图对本发明作进一步说明。
如图1所示，本发明所述的一种离心泵空化故障诊断模拟的试验方法，包括以下步骤：
(1)通过安装在离心泵上的传感器获取采集待测试信号，包括离心泵噪声信号、振动信号、压力脉动信号以及离心泵驱动电机的电信号；
(2)针对获取的离心泵驱动电机的电信号，计算输入三相电信号的选定参数，如算术平均、均方根、标准差、峰度、偏度等；计算计算时间信号的平均FFT频谱，返回通过幅度和相位，将算术平均、均方根、标准差、峰度、偏度、幅度和相位作为特征值提取，将获取的特征值与预设值进行比较，初步判断是否发生故障；若大于预设值表明离心泵发生故障，需要进一步对离心泵空化故障的状态进行模拟判断，执行步骤(3)；若小于或者等于预设值说明离心泵未发生故障，结束故障诊断模拟的过程；
(3)将待检测的数据输入用以识别空化状态的RBF神经网络进行空化状态的识别，输出空化状态识别结果；
如图2所示，为了实现空化状态的识别，进一步精确的检测出属于哪种空化故障状态，采用RBF神经网络模型，针对不同空化状态下的信号特征值进行训练形成能够精确识别空化状态的RBF神经网络模型，具体构建方式为；
(1)采集离心泵在空化初生、临界空化、严重空化三种空化状态下离心泵的噪声信号、振动信号、压力脉动信号；将采集的噪声信号、振动信号、压力脉动信号集合分为训练样本和测试样本；选取训练样本400组，测试样本200组。
(2)对获取到的噪声信号、振动信号、压力脉动信号分别进行小波阈值降噪处理；降噪处理具体的步骤包括：
(2.1)确定小波基函数及分解层数，对获取到的噪声信号、振动信号、压力脉动信号进行小波分解，得到各层小波系数；
(2.2)选取阈值及阈值函数，对小波系数进行阈值降噪处理；
(2.3)将降噪处理后的各小波系数进行逆变换得到降噪后的信号；
影响小波阈值降噪的参数包括小波基函数、分解层数、阈值以及阈值函数，只有选择合适的参数才能得到良好的降噪效果，其中，衡量信号降噪效果的指标通常有信噪比(SNR)和均方根误差(RMSE)，即选择信噪比和均方根误差最小对应的小波基函数、分解层数、阈值以及阈值函数，其计算公式如下：
信噪比：
均方根误差：
式中，x(k)为原始信号；x'(k)为降噪后信号；N为信号长度。
(3)对降噪后的各类信号进行小波包分解后进行时频域分析，获取各频带信息；所述时频域分析指将时域信号按多尺度的无冗余、无疏漏、正交的细化分解到独立的频带内，从而可以精细观察信号在时频域上的细节；
(4)计算小波包分解后的各节点能量系数，选取能量系数最大的频带作为最优分解频段；其中所述的能量系数公式为：
式中，k为分解层数；m为节点数；n为频带信号的数据长度；s(i)为离散信号值；为各频带的能量系数；Ekm小波分解每层整体信号能量；Ek为个频带信号能量；
(3)提取最优分解频段的特征值，组成特征值矩阵；所述的特征值包括均方根值、标准差、平均值、能量值、能量系数、能量熵、幅度、相位、峰值、偏度、自相关函数和功率谱密度函数等12个特征值向量。噪声、振动、压力脉动三种信号，各种信号取12个特征向量，共同组成3*12特征值矩阵，矩阵的维度为12维。由于特征值元素之间存在较大的数值差异，为了消除冗余，提高识别速度，将特征值矩阵归一化，将特征值矩阵归一化。
采用主成分分析法对归一化的特征值矩阵进行降维，得到特征值主成分矩阵；所述的主成分分析法是将大量存在相关性的特征值转化为少量相互独立的主成特征值。具体的，利用归一化处理后的特征值矩阵求解协方差矩阵，求解协方差矩阵的特征向量及特征值，将得到的特征向量按特征值λi由大到小按行排列，计算每个特征值贡献率Pλ，Pλ(i)＝λ(i)/∑λ(i)，i＝1……n。当前n个特征根贡献率之和大于90％时，可视作该样本特征矩阵表达所有数据的特征，主成n为18。通过计算获得的主成分矩阵中提取主元1进行空化状态识别，所述的主元1为主成分矩阵中第一个非零值，将该值与0.05进行比较，若小于0.05为空化初生，等于0.05为临界空化，大于0.05为严重空化。
(4)将训练样本中特征值主成分矩阵输入RBF网络模型作为输入层，三种空化状态作为输出层，选取RBF网络隐藏层节点数，训练得到能够识别空化状态的RBF神经网络；
此外，本发明还提供一种离心泵空化故障诊断模拟的试验系统，包括：
信号采集模块，用于采取待测试的信号，包括离心泵噪声信号、振动信号、压力脉动信号以及离心泵驱动电机的电信号；
参数监测模块，用于针对离心泵驱动电机的电信号进行特征的提取，将获取的特征值与预设值进行比较，初步判断是否发生故障；若大于预设值表明发生故障，则进行空化状态识别；否则表明未发生故障，结束故障诊断模拟；
空化状态识别模块，用于将待检测的数据输入用以识别空化状态的RBF神经网络进行空化状态的识别，输出空化状态识别结果；所述空化状态识别模块包括：
空化状态数据采集模块，用于采集离心泵在空化初生、临界空化、严重空化三种空化状态下离心泵的噪声信号、振动信号、压力脉动信号；将采集的信号分为训练样本和测试样本；
第一波阈值降噪处理模块，用于对获取到的噪声信号、振动信号、压力脉动信号进行小波阈值降噪处理；
第一时频域分析模块，用于对降噪后的噪声信号、振动信号、压力脉动信号进行小波包分解后进行时频域分析，获取各频带信息，计算小波包分解后的各节点的能量系数，选取能量系数最大的频带作为最优分解频段；其中所述的能量系数公式为：
式中，k为分解层数；m为节点数；n为频带信号的数据长度；s(i)为离散信号值；为各频带的能量系数；Ekm小波分解每层整体信号能量；Ek为个频带信号能量；
第一时频域特征提取模块，用于提取最优分解频段的特征值，组成特征值矩阵；将特征值矩阵归一化，采用主成分分析法对特征值矩阵进行降维处理，得到主成分矩阵；提取主成分矩阵中主元1，若主元1的值小于0.05则认定离心泵处于空化初生状态；若主元1的值等于0.05，则认定离心泵处于临界空化状态；若主元1的值大于0.05则认定离心泵处于严重空化状态；
第一RBF神经网络训练模块，用于将训练样本中特征值主成分矩阵输入RBF网络模型作为输入层，三种空化状态作为输出层，选取RBF网络隐藏层节点数，训练得到能够识别空化状态的RBF神经网络；
第一信息传输模块，用于输出空化状态识别结果。
此外，第一波阈值降噪处理模块中对获取到的噪声信号、振动信号、压力脉动信号进行小波阈值降噪处理包括：确定小波基函数及分解层数，对获取到的噪声信号、振动信号、压力脉动信号进行小波分解，得到各层小波系数；选取阈值及阈值函数，对小波系数进行阈值降噪处理；将降噪处理后的各小波系数进行逆变换得到降噪后的信号。
此外，第一时频域特征提取模块中所述的特征值包括均方根值、标准差、平均值、能量值、能量系数、能量熵、幅度、相位、峰值、偏度、自相关函数和功率谱密度函数。
本发明还提供一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述的方法。
本发明还提供一种调试设备，存储器、处理器及在所述存储器上存储并可运行的程序，所述程序被处理器执行时实现上述方法的步骤。
Claims (8)
1.一种离心泵空化故障诊断模拟的试验方法，其特征在于，包括以下步骤：
(1)采取待测试的信号，包括离心泵噪声信号、振动信号、压力脉动信号以及离心泵驱动电机的电信号；
(2)针对离心泵驱动电机的电信号进行特征的提取，将获取的特征值与预设值进行比较，初步判断是否发生故障；若大于预设值表明发生故障，执行步骤(3)；否则表明未发生故障，结束故障诊断模拟；
(3)将待检测的数据输入用以识别空化状态的RBF神经网络进行空化状态的识别，输出空化状态识别结果；所述RBF神经网络具体构建方式为；
(3.1)采集离心泵在空化初生、临界空化、严重空化三种空化状态下离心泵的噪声信号、振动信号、压力脉动信号；将采集的信号分为训练样本和测试样本；
(3.2)对获取到的噪声信号、振动信号、压力脉动信号进行小波阈值降噪处理；对降噪后的噪声信号、振动信号、压力脉动信号进行小波包分解后进行时频域分析，获取各频带信息，计算小波包分解后的各节点的能量系数，选取能量系数最大的频带作为最优分解频段；其中所述的能量系数公式为：
式中，k为分解层数；m为节点数；n为频带信号的数据长度；s(i)为离散信号值；为各频带的能量系数；Ekm小波分解每层整体信号能量；Ek为个频带信号能量；
(3.3)提取最优分解频段的特征值，组成特征值矩阵；将特征值矩阵归一化，采用主成分分析法对特征值矩阵进行降维处理，得到主成分矩阵；提取主成分矩阵中主元1，若主元1的值小于0.05则认定离心泵处于空化初生状态；若主元1的值等于0.05，则认定离心泵处于临界空化状态；若主元1的值大于0.05则认定离心泵处于严重空化状态；
(3.4)将训练样本中特征值主成分矩阵输入RBF网络模型作为输入层，三种空化状态作为输出层，选取RBF网络隐藏层节点数，训练得到RBF神经网络。
2.根据权利要求1所述离心泵空化故障诊断模拟的试验方法，其特征在于，步骤(3.2)所述的对获取到的噪声信号、振动信号、压力脉动信号进行小波阈值降噪处理包括以下步骤：
(3.2.1)确定小波基函数及分解层数，对获取到的噪声信号、振动信号、压力脉动信号进行小波分解，得到各层小波系数；
(3.2.2)选取阈值及阈值函数，对小波系数进行阈值降噪处理；
(3.2.3)将降噪处理后的各小波系数进行逆变换得到降噪后的信号。
3.根据权利要求1所述离心泵空化故障诊断模拟的试验方法，其特征在于，步骤(3.3)中所述的特征值包括均方根值、标准差、平均值、能量值、能量系数、能量熵、幅度、相位、峰值、偏度、自相关函数和功率谱密度函数。
4.一种离心泵空化故障诊断模拟的试验系统，其特征在于，包括：
信号采集模块，用于采取待测试的信号，包括离心泵噪声信号、振动信号、压力脉动信号以及离心泵驱动电机的电信号；
参数监测模块，用于针对离心泵驱动电机的电信号进行特征的提取，将获取的特征值与预设值进行比较，初步判断是否发生故障；若大于预设值表明发生故障，则进行空化状态识别；否则表明未发生故障，结束故障诊断模拟；
空化状态识别模块，用于将待检测的数据输入用以识别空化状态的RBF神经网络进行空化状态的识别，输出空化状态识别结果；所述空化状态识别模块包括：
空化状态数据采集模块，用于采集离心泵在空化初生、临界空化、严重空化三种空化状态下离心泵的噪声信号、振动信号、压力脉动信号；将采集的信号分为训练样本和测试样本；
第一波阈值降噪处理模块，用于对获取到的噪声信号、振动信号、压力脉动信号进行小波阈值降噪处理；
第一时频域分析模块，用于对降噪后的噪声信号、振动信号、压力脉动信号进行小波包分解后进行时频域分析，获取各频带信息，计算小波包分解后的各节点的能量系数，选取能量系数最大的频带作为最优分解频段；其中所述的能量系数公式为：
式中，k为分解层数；m为节点数；n为频带信号的数据长度；s(i)为离散信号值；为各频带的能量系数；Ekm小波分解每层整体信号能量；Ek为个频带信号能量；
第一时频域特征提取模块，用于提取最优分解频段的特征值，组成特征值矩阵；将特征值矩阵归一化，采用主成分分析法对特征值矩阵进行降维处理，得到主成分矩阵；提取主成分矩阵中主元1，若主元1的值小于0.05则认定离心泵处于空化初生状态；若主元1的值等于0.05，则认定离心泵处于临界空化状态；若主元1的值大于0.05则认定离心泵处于严重空化状态；
第一RBF神经网络训练模块，用于将训练样本中特征值主成分矩阵输入RBF网络模型作为输入层，三种空化状态作为输出层，选取RBF网络隐藏层节点数，训练得到能够识别空化状态的RBF神经网络；
第一信息传输模块，用于输出空化状态识别结果。
5.根据权利要求4所述的离心泵空化故障诊断模拟的试验系统，其特征在于，第一波阈值降噪处理模块中对获取到的噪声信号、振动信号、压力脉动信号进行小波阈值降噪处理包括：确定小波基函数及分解层数，对获取到的噪声信号、振动信号、压力脉动信号进行小波分解，得到各层小波系数；选取阈值及阈值函数，对小波系数进行阈值降噪处理；将降噪处理后的各小波系数进行逆变换得到降噪后的信号。
6.根据权利要求4所述的离心泵空化故障诊断模拟的试验系统，其特征在于，第一时频域特征提取模块中所述的特征值包括均方根值、标准差、平均值、能量值、能量系数、能量熵、幅度、相位、峰值、偏度、自相关函数和功率谱密度函数。
7.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至3中任意一项所述的方法。
8.一种调试设备，其特征在于，存储器、处理器及在所述存储器上存储并可运行的程序，所述程序被处理器执行时实现如权利要求1至3中任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111425120.2A CN114263621B (zh) | 2021-11-26 | 2021-11-26 | 一种离心泵空化故障诊断模拟的试验方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111425120.2A CN114263621B (zh) | 2021-11-26 | 2021-11-26 | 一种离心泵空化故障诊断模拟的试验方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114263621A CN114263621A (zh) | 2022-04-01 |
| CN114263621B true CN114263621B (zh) | 2023-07-21 |
Family
ID=80825629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111425120.2A Active CN114263621B (zh) | 2021-11-26 | 2021-11-26 | 一种离心泵空化故障诊断模拟的试验方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114263621B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114997246B (zh) * | 2022-07-27 | 2022-12-13 | 浙江大学 | 一种流体机械振动数据驱动的空化状态识别方法 |
| CN115235613B (zh) * | 2022-09-21 | 2023-09-12 | 江苏泰恩特环境技术有限公司 | 一种风机盘管的质量检测方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6260004B1 (en) * | 1997-12-31 | 2001-07-10 | Innovation Management Group, Inc. | Method and apparatus for diagnosing a pump system |
| JP2003097410A (ja) * | 2001-09-21 | 2003-04-03 | Tokyo Electric Power Co Inc:The | 水力発電機器のキャビテーション診断装置 |
| US6709240B1 (en) * | 2002-11-13 | 2004-03-23 | Eaton Corporation | Method and apparatus of detecting low flow/cavitation in a centrifugal pump |
| GB0714695D0 (en) * | 2007-07-27 | 2007-09-05 | Secretary Trade Ind Brit | Cavitation detection |
| CN103629122A (zh) * | 2013-12-18 | 2014-03-12 | 江苏大学 | 一种实现离心泵内部空化振动频率主动控制的检测台 |
| CN106382238A (zh) * | 2016-10-18 | 2017-02-08 | 江苏大学 | 一种离心泵空化诊断的方法及其装置 |
| CN107461342A (zh) * | 2017-08-16 | 2017-12-12 | 江苏大学 | 一种离心泵故障在线诊断方法及系统 |
| CN107956708A (zh) * | 2017-11-17 | 2018-04-24 | 浙江大学 | 一种基于快速谱峭度分析的泵潜在空化故障检测方法 |
| WO2020024325A1 (zh) * | 2018-07-31 | 2020-02-06 | 江苏大学 | 一种叶片泵空化判定及状态评估方法及其系统 |
| CN111043050A (zh) * | 2019-12-19 | 2020-04-21 | 武汉工程大学 | 一种离心泵故障诊断方法及系统 |
| CN113464457A (zh) * | 2021-07-05 | 2021-10-01 | 西安交通大学 | 基于自搜索特征峰值与局部极差的离心泵故障诊断方法 |
| CN113486707A (zh) * | 2021-05-24 | 2021-10-08 | 江苏大学镇江流体工程装备技术研究院 | 一种微型高速泵空化诊断方法、装置、设备及存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6954713B2 (en) * | 2001-03-01 | 2005-10-11 | Fisher-Rosemount Systems, Inc. | Cavitation detection in a process plant |
-
2021
- 2021-11-26 CN CN202111425120.2A patent/CN114263621B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6260004B1 (en) * | 1997-12-31 | 2001-07-10 | Innovation Management Group, Inc. | Method and apparatus for diagnosing a pump system |
| JP2003097410A (ja) * | 2001-09-21 | 2003-04-03 | Tokyo Electric Power Co Inc:The | 水力発電機器のキャビテーション診断装置 |
| US6709240B1 (en) * | 2002-11-13 | 2004-03-23 | Eaton Corporation | Method and apparatus of detecting low flow/cavitation in a centrifugal pump |
| GB0714695D0 (en) * | 2007-07-27 | 2007-09-05 | Secretary Trade Ind Brit | Cavitation detection |
| CN103629122A (zh) * | 2013-12-18 | 2014-03-12 | 江苏大学 | 一种实现离心泵内部空化振动频率主动控制的检测台 |
| CN106382238A (zh) * | 2016-10-18 | 2017-02-08 | 江苏大学 | 一种离心泵空化诊断的方法及其装置 |
| CN107461342A (zh) * | 2017-08-16 | 2017-12-12 | 江苏大学 | 一种离心泵故障在线诊断方法及系统 |
| CN107956708A (zh) * | 2017-11-17 | 2018-04-24 | 浙江大学 | 一种基于快速谱峭度分析的泵潜在空化故障检测方法 |
| WO2020024325A1 (zh) * | 2018-07-31 | 2020-02-06 | 江苏大学 | 一种叶片泵空化判定及状态评估方法及其系统 |
| CN111043050A (zh) * | 2019-12-19 | 2020-04-21 | 武汉工程大学 | 一种离心泵故障诊断方法及系统 |
| CN113486707A (zh) * | 2021-05-24 | 2021-10-08 | 江苏大学镇江流体工程装备技术研究院 | 一种微型高速泵空化诊断方法、装置、设备及存储介质 |
| CN113464457A (zh) * | 2021-07-05 | 2021-10-01 | 西安交通大学 | 基于自搜索特征峰值与局部极差的离心泵故障诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于EMD的离心泵空化初生的研究;卿彪;任建军;宋晓飞;;水力发电学报(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114263621A (zh) | 2022-04-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114263621B (zh) | 一种离心泵空化故障诊断模拟的试验方法及系统 | |
| CN108760327B (zh) | 一种航空发动机转子故障的诊断方法 | |
| CN109635334A (zh) | 基于粒子群优化的滚动轴承故障诊断方法、系统及介质 | |
| CN109827777A (zh) | 基于偏最小二乘法极限学习机的滚动轴承故障预测方法 | |
| CN113375939B (zh) | 基于svd和vmd的机械件故障诊断方法 | |
| CN110458976B (zh) | 一种基于小波和主分量分析的螺旋桨空化状态检测方法 | |
| CN113420691A (zh) | 一种基于皮尔逊相关系数的混合域特征轴承故障诊断方法 | |
| CN112098102B (zh) | 一种基于ewt-scwt的内燃机异响识别与诊断方法 | |
| CN112101142A (zh) | 泥浆泵运行状态评估方法、监控终端和计算机可读存储介质 | |
| Pająk et al. | Fuzzy identification of the reliability state of the mine detecting ship propulsion system | |
| CN106771598A (zh) | 一种自适应谱峭度信号处理方法 | |
| CN112182490B (zh) | 一种电抗器状态诊断方法及系统 | |
| Lu et al. | Early fault warning and identification in condition monitoring of bearing via wavelet packet decomposition coupled with graph | |
| Wei et al. | Intelligent fault diagnosis of rotating machinery using ICD and generalized composite multi-scale fuzzy entropy | |
| CN117473414A (zh) | 一种基于少噪声时频图像的轴承故障位置识别方法 | |
| CN113409213A (zh) | 柱塞泵故障信号时频图降噪增强方法和系统 | |
| Zhang et al. | A novel hybrid compound fault pattern identification method for gearbox based on NIC, MFDFA and WOASVM | |
| Chen et al. | Image feature extraction based on HOG and its application to fault diagnosis for rotating machinery | |
| CN116698385A (zh) | 一种抗强噪声干扰的机械设备健康状态监测方法和装置 | |
| CN114462452B (zh) | 用逐次变模态分解算法的异步电机转子断条故障诊断方法 | |
| CN116127297A (zh) | 机电设备故障诊断方法和系统 | |
| CN115860708A (zh) | 一种舰船装备状态监测和故障诊断方法 | |
| CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 | |
| CN115064182A (zh) | 自适应梅尔滤波器在强噪声环境下风机故障特征识别方法 | |
| CN113218683A (zh) | 一种基于振动信号的石油井下电动套管切割器故障识别方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |