基于声发射的非接触式机械密封膜厚检测技术

摘要

非接触式机械密封是核电站的关键设备，也是流体机械中应用最广泛的设备之一。非接触式机械密封的性能好坏和运行状态往往直接影响整个机械设备。近年来，日益严峻的环境问题对非接触式机械密封的研究提出了巨大挑战。非接触式机械密封的理想工作状态是端面开启厚度达到最优化，此时，密封端面既能得到良好润滑也能实现密封零泄露量。本文的研究对象是液膜润滑非接触式机械密封，研究目的是实现密封端面膜厚状态的有效检测。本文主要研究内容如下:
　　非接触式机械密封端面的接触状态变化时会产生声发射波，密封端面的声发射信号能良好地反映出密封端面的接触状态。声发射技术可以实现对机械密封的动态无损检测，具有灵敏度较高和适用范围广等特点。本文利用声发射技术搭建检测试验台并采集声发射信号。然后基于声发射信号的特性，制定声发射信号分析处理方案。
　　采集的声发射信号含有大量背景噪声，直接对其进行信号分析难以反映机械密封端面的真实状态，本文提出基于高斯混合粒子滤波(Gaussian Sum Particle Filter，简称GSPF)的声发射信号滤波技术。GSPF算法在理论上改善了粒子滤波存在的问题，并且仿真实验说明了GSPF具有过程噪声低和估计精度高等优点。将GSPF滤波技术应用于声发射信号的分析与处理，结果说明GSPF提取的声发射信号能有效地反映真实信号的特性。
　　对滤波后的信号进行特征提取，试验中从时域、频域、时频域三个方面提取声发射信号的特征值，包括:方差、均方根、峰值、歪度、波形因子、重心频率、频率方差、均方频率、有效值、标准差、子带能量比。数据表明，多组声发射信号特征值，在不同状态下具有明显的差异性，而在同一状态下一致性较好。这一方面说明本试验采用的滤波技术效果突出;另一方面，得到较好的特征值可以提高机械密封膜厚状态的识别效率。
　　针对BP网络存在的问题，利用自适应遗传算法(Adaptive Genetic Algorithm，简称AGA)对其进行网络优化。AGA采用自适应交叉率和变异率提高算法的收敛性，并通过修剪相似个体和添加新个体防止“早熟”现象，具有更强的寻优能力和逼近能力。利用AGA算法同时优化BP网络的初始权值、阈值和网络结构，并将AGA-BP网络运用于膜厚识别得到了很高的识别率。对比实验显示，AGA-BP网络在训练速率和识别率等方面的性能都优于基本BP网络。
　　本文的研究工作主要实现了非接触式机械密封端面膜厚状态识别，为今后非接触式机械密封状态检测的深入分析提供理论依据和技术支撑。

目录

声明

摘要

第1章 绪论

1．1 课题背景与意义

1．2 机械密封基本知识

1．2．1 机械密封结构

1．2．2 机械密封分类

1．3 非接触式机械密封检测的国内外研究现状

1．3．1 国外研究现状

1．3．2 国内研究现状

1．4 非接触式机械密封的检测方法

1．4．1 电涡流技术

1．4．2 超声波技术

1．4．3 声发射技术

1．5 本文主要研究内容

第2章 基于声发射技术的检测试验台

2．1 声发射检测系统

2．1．1 声发射检测系统结构

2．1．2 声发射检测的特点

2．2 非接触式机械密封检测试验台

2．2．1 传感器选型

2．2．2 传感器安装

2．3 声发射信号分析与处理

2．3．1 声发射信号波形特征

2．3．2 声发射信号处理流程

2．4 本章小结

第3章 基于GSPF的声发射信号处理

3．1 PF基本理论

3．1．1 动态空间模型

3．1．2 贝叶斯统计理论

3．1．3 蒙特卡洛方法

3．2 PF实现过程

3．2．1 重要性采样

3．2．2 重采样

3．3 GSPF算法设计及仿真分析

3．3．1 GSPF对PF的改进

3．3．2 GSPF算法步骤

3．3．3 实验仿真

3．4 GSPF应用于声发射信号滤波

3．4．1 基于GSPF的信号滤波

3．4．2 基于GSPF的滤波结果验证

3．5 本章小结

第4章 声发射信号特征分析

4．1 声发射信号时域分析

4．1．1 时域分析方法

4．1．2 时域特征向量

4．2 声发射信号频域分析

4．2．1 频域分析方法

4．2．2 傅里叶变换

4．2．3 频域特征向量

4．3 声发射信号时频域分析

4．3．1 时频域分析方法

4．3．2 小波包分解

4．3．3 时频域特征向量

4．4 本章小结

第5章 基于AGA-BP的膜厚识别技术

5．1 人工神经网络的理论及应用研究

5．1．1 人工神经网络的相关知识及特点

5．1．2 BP网络的结构与算法

5．1．3 BP网络的改进及应用

5．2 遗传算法及其改进

5．2．1 遗传算法的相关术语及构造过程

5．2．2 AGA原理与算法设计

5．3 AGA-BP网络设计

5．3．1 遗传算法与BP网络融合的优势

5．3．2 AGA-BP算法步骤

5．4 AGA-BP网络的膜厚识别应用

5．4．1 AGA-BP网络的建立

5．4．2 AGA-BP网络的训练

5．4．3 AGA-BP网络的膜厚识别

5．5 AGA-BP网络与基本BP网络的应用比较

5．6 本章小结

总结与展望

致谢

参考文献

攻读硕士学位期间发表的论文及科研成果