基于溯因机器学习的涡轮分子泵振动在线监测

摘要

涡轮分子真空泵是许多加速器装置中的一个关键部件，在这些装置中，故障可能会造成金钱和束流时间损失。如果通过连续在线监测方案发出事先警告，可以避免灾难性故障。本文介绍了利用现代机器学习技术，通过测量和分析泵的振动，在线监测泵的状态。利用在泵轴承附近测得的径向和轴向振动信号，溯因机器学习用于将泵状态建模为“良好”或“不良”。与其他统计方法和神经网络技术相比，这种方法提供了更快、高度自动化的模型合成，几乎不需要用户干预。从泵振动频谱的低频区（0–10 kHz）导出的标准化50通道频谱为模型开发提供了数据输入。通过仅对10个观测值进行训练而得出的模型预测了逻辑泵状态输出的正确值，对于多达500个案例的评估总体，准确率为100%。径向振动信号使模型更简单，状态输出的计算值误差更小。性能可与使用神经网络的压缩机阀门类似诊断方案的文献数据进行比较。

冲击与振动

摘要

版权

更多相关文章