往复泵作为石油石化行业重要的输送设备,通过振动监测手段来保证系统的安全稳定运行具有重要的现实意义。如何对往复泵的非平稳和非线性信号提取特征并进行准确识别是诊断中的关键问题。针对往复泵故障特征的提取,提出了一种利用ICEEMDAN-GRNN神经网络相结合的诊断方法。首先利用ICEEMDAN对采集的原始信号进行分解得到若干个IMF分量,然后计算IMF分量的奇异谱熵并构造特征向量,再将特征向量输入到GRNN神经网络进行训练和模式识别。研究表明该方法可以有效提取往复泵的故障特征并进行准确的模式识别。

针对滚动轴承故障信息不易提取的特性,提出了完全集合经验模态分解(CEEMDAN)自适应消噪和共振解调技术(DRT)相结合的故障诊断方法。首先,利用CEEMDAN自适应地将信号分解成多个分量,通过互相关系数方法进行重构以达到消噪的目的;然后,对重构的信号进行谱峭度分析,得到冲击成分所在的频带,并据此设计带通滤波器对重构信号进行滤波处理;最后,对滤波后的信号进行Hilbert包络谱分析,提取冲击成分的频率,并与滚动轴承故障特征频率对比,进行故障模式识别。通过动力学仿真和滚动轴承实验对该方法进行了有效性论证。结果表明,该方法可以有效识别滚动轴承的故障信息。

PIV后处理技术对于PIV流场实验测量的结果有着重要的影响而成为研究热点。传统的互相关算法有着许多先天缺陷,本文提出的基于多尺度分析和非线性滤波的修正光流算法能够克服这些的缺陷,该算法以多层细化理论为基础,对低分辨率序列采用同性扩散算法,而高分辨率序列采用非线性扩散方法。同时,该算法被应用到实际测量的二维向上槽道流PIV图像中,结果表明该算法对于PIV图像的后处理具有良好的性能和可靠性。