旋转机械故障诊断与预测方法及其应用研究

来源:用户上传      作者:

　　【摘 要】研究旋转机械的故障诊断与预测技术，对于保障机械设备运行的安全性和稳定性具有十分重要的意义。旋转机械的振动信号具有非稳定性和非线性，同时，在强背景噪声工作环境下，旋转机械的微弱故障特征很容易被噪声淹没，此外，当机械系统出现故障时，往往会产生位置不同的复合故障，故障之间相互帮合，从而给旋转机械故障精确诊断带来了挑战，因此，强噪下微弱、复合故障诊断是当今机械故障诊断领域的难点。论文将旋转机械作为研究对象，研究形态学滤波、局域均值分解、多元经验模态分解和噪声辅助多元经验模态分解等时频方法及其在旋转机械的微弱、复合故障诊断中的应用，为机械故障诊断、性能退化状态识别和趋势预测提供新的有效手段。
　　【关键词】旋转机械；故障诊断；预测与应用
　　引言：在当今科技竞争日益激烈的背景下，大型机械装备的发展水平直接关系到国家的综合实力、国际地位与核屯、竞争力，大型机械设备日趋向智能化、复杂化和自动化发展。轴承和齿轮等旋转机械作为机械设备中一种必不可少的通用零部件，在机械、电力系统等现代大型工业设备中扮演着重要的角色。工业企业成功的关键是设备系统的安全运行；军工企业的军事装备只有具备高可靠性和高准确性才能保证战争的胜利；在核动力设备及人类无法接触的危险恶劣环境中，要求运行设备必须具有很高的可靠性和安全性。在工程应用中，机械设备一旦发生故障，如果发生故障等级较轻则会降低设备使用功能，直接影响生产，造成一定的经济损失；如果发生故障等级较重则可能直接导致严重的事故。为了尽可能减少机械故障导致的经济损失和重大事故，必须建立针对大型机械装备的故障诊断与安全蓝测系统。
　　1.旋转机械故障诊断监测基本方法
　　1.1振动信号分析技术
　　振动分析技术相比于其他方法的主要优点有诊断效率高、可靠性强和故障定位准确。基于振动信号的检测方法是一种理论和实践都相对成熟的轴承故障诊断手段，其通过对采集的振动信号进行分析得到运转过程中轴承的工况和故障。对于轴承故障诊断设备，一般采用压电加速度传感器对振动信号进行拾取，将之转化成电压信号进行输出。采样模块对调理模块的输出信号进行数字化处理，产生连续的振动信号采样数据流。处理模块对振动信号采样数据流进行接收，按要求对数据进行存储、转发以及相应的运算和分析，最终输出故障诊断结果。
　　1.2温度分析技术
　　温度分析技术是遁过在轴承座或齿轮箱安装温度传感器监测其运行的温度变化，并根据先验经验设置一定的温度阔值。当温度超过阔值时，则判定轴承或齿轮发生故障。温度监测对齿轮和轴承载荷、转速和润滑情况的变化极为敏感。但是，温度监测技术对于轴承和齿轮箱的早期故障并不敏感，只有当故障发展到一定程度时，温度会有明显的变化。这限制了其在旋转机械早期故障诊断中的应用。
　　1.3油液分析技术
　　剥落、点蚀和磨损是齿轮箱和轴承故障的最常见故障形式。油液分析法通过从齿轮箱使用的循环油液中取出油样，采用油液理化分析、清洁度检测、光谱分析等手段判定齿轮箱运行状态。这种方法仅适用于油冷却或油润滑轴承，对于突发故障不能及时预报，并且容易受到其他设备损坏造成的影响，对检测人员的经验要求比较高，使得该方法的应用受到一定局限。但是这种技术涉及的仪器价格低廉，因此可以作为其他诊断手段的一种补充。
　　2.基于多元经验模态分解的旋转机械早期故障诊断方法
　　开展旋转机械状态监测和故障诊断方法的研究是保证机械设备运行安全稳定的基础，随着工业生产的大型化、系统化和信息化，对关键部件旋转机械的安全运行要求越来越严格。旋转机械设备故障诊断是融现代传感技术、信号分析与处理技术为一体的多学科交叉和融合的新技术。基于故障特征提取和信号处理技术的故障诊断是故障特征提取的重要手段。先进的信号分析技术是有效提取化械设备真实状态信息的必要前提条件。同步平均、包络分析等传统信号处理方法，均假设被分析对象具有线性、平稳、最小相位等特征，会造成一些细微信息提取的遗漏，而这些信息往往预示着设备退化状态的趋势。
　　机械设备中振动信号传递路径复杂，振动信息衰减损耗较大。此外，旋转机械频发的故障大部分以局部缺陷形式存在于轴承生命周期的早期，而且大部分是潜在损伤，极难发现。同时，轴承和齿轮的工作环境一般比较差，外界干扰较大，振动信号包含了整个机械系统在其他振动响应、激励映射关系的信号特性，这使得在现场采集的振动信号的信噪比低，反映旋转机械条件的特征信号相对较弱。采用单一传感器采集信号无法进行旋转机械早期微弱故障和复合故障的在线监测及故障诊断。
　　齿轮故障实验：齿轮剥落故障诊断实验：齿轮疲劳剥落属于接触疲劳。根据经验分析可知，剥落主要受齿轮自身的强度、初度及硬度等特性的影响。由于交变载荷的作用，齿轮过载，会使局部区域应力相对集中，产生接触裂纹。齿轮表面下最大剪应力处形成裂纹，进而在表面形成不规则的凹坑，后逐渐连接成片并大面积剥落。
　　3.基于改进的噪声辅助多元经验模态分解的旋转机械故障诊断方法
　　数学形态学滤波器具有很强的抑制脉冲和噪声干扰的能力，可实现对非线性非平稳信号的降噪和特征提取，同时算法简便易行、实用有效。作为一种基于数学形态学的非线性滤波方法，其被广泛应用到机械故障信号处理领域。基于上述分析，针对强噪背景中旋转机械微弱故障特征提取和MEMD等现有时频分析方法存在的模态混叠问题，提出一种基于改进的噪声辅助多元经验模态分解和自适应形态学的旋转机械故障诊断方法，主要步骤是：首先，向信号添加多个白噪声辅助通道，对多元信号进行改进的NAMEMD分解，分解过程中利用对时间序列随机性和动力学突变行为敏感的排列搁检测IMF分量中是否含有高频间歇信号和噪声干扰信号，保证分解得到的IMF不发生模态混叠现象；其次，选择主要IMF分量进行重构；最后，采用形态学滤波器进行故障特征提取。
　　4.基于NAMEMD和熵理论的旋转机械故障智能诊断方法
　　当旋转机械发生故障时，系统的动力学行为会表现为非线性和复杂性。近年来，随着非线性分析方法的引入，极大地丰富了机械故障诊断方法，很多非线性动力学的方法己被廣泛地应用于机械故障诊断领域常用的描述系统复杂性的特征参数包括：分形维数、Lyapunov指数和K-S熵等。这些非线性动力学方法都是通过相空间重构来描述系统特性，这些算法需要足够的数据长度，而旋转机械振动信号的数据长度一般是有限的。因此，这些非线性动态指标在实际工程应用中并不方便，需要寻找更为有效、稳定且对数据长度要求较低的新方法。
　　齿轮系统常见的主要故障包括齿轮磨损、点蚀和断齿等，齿轮系统故障信号往往具有非线性非平稳特征。样本滴能够反映时间序列在不同尺度的复杂性程度，将样本摘用于分析齿轮故障振动信号。
　　结语：故障诊断与预测技术是一种实用可靠的机械设备故障诊断与预测技术，是预防机械设备故障，保证机械设备安全稳定运行的技术基础。机械动力传动系统是国防和国民经济中广泛应用的一种重要的技术设备，其运行安全性和可靠性至关重要。齿轮和滚动轴承作为动为传动系统的关键部件，长期在高负荷、高转速工况下工作，一旦出现故障将直接影响整个系统的安全运行，因此及时、准确地检测故障己变得越来越重要
　　参考文献：
　　[1]于波，徐雪娇，郑听.基于小波包分解的能量特征提取在旋转机械故障诊断中的应用研究[J].化工自动化及仪表，2016，43（10）：1056-1059.
　　[2]李志农，柳宝，侯娟.基于无限隐Markov模型的旋转机械故障诊断方法研究[J].仪器仪表学报，2016，37（10）：2185-2192.
转载注明来源:https://www.xzbu.com/1/view-14719561.htm