由于往复式压缩机的结构复杂,激励较多,导致了各个零部件之间的信号叠加和耦合,通过单一的诊断方法往往难以达到理想的诊断效果。在很多情况下,设备的故障信息在量上是没有明确界限的,造成状态分类亦此亦彼的性态,用传统的数学方法很难对此做出明确的表述。解决这一问题的方法就是将模糊数学引入到故障诊断领域,通过隶属度函数对各种故障征兆发生的程度进行刻画,最后再对设备的整体运行状况做出综合评判,这就是模糊诊断方法。 针对具体的诊断对象,本文对往复式压缩机的基本结构、工作原理和常见的故障形式进行了深入的调查研究;对气阀和活塞组件分别从热力学和振动分析角度给出了合理的故障机理分析;根据各故障对信号的敏感程度不同建立了相应的分析指标,即不同的故障特征提取方法;使用模糊综合评判和最大隶属度原则对故障原因进行了模糊识别。由于综合考虑到了所有故障发生原因及程度,各故障信号之间的相互干扰,从而起到了较好的诊断效果。 上述模糊模式识别故障诊断方法的难点在于模糊关系矩阵的建立,需要借助于专家经验,主观性很强,且不同的隶属度确定方法会对诊断结果造成很大的影响。据此本文接下来介绍了基于模糊神经网络的故障诊断方法。神经网络具有自学习功能,模糊逻辑合乎人脑的思考方式,结合二者的优点是智能故障诊断的一个新的发展方向。文中具体使用MATLAB工具,采用模糊C聚类对故障统计数据进行聚类分析,然后提取其中指标建立了ANFIS系统通过故障样本训练后,达到了较高的诊断精度。 振动信号的采集途径通常有两种:在线方式和离线方式。其中离线方式多采用便携式数据采集仪,其优点是成本低,操作灵活,因而在机械设备的状态监测中得到了广泛的使用。但是存储空间狭小是这类便携式仪器普遍存在的缺点,根据实际需要,本文成功地将CF卡应用到数据采集仪中去,扩大了原采集仪的存储容量,并实现了合理的文件管理方式。目前仪器已投入使用,运行情况稳定。