机械系统旋转部件退化跟踪与故障预测方法研究

来源:用户上传      作者:

　　【摘 要】在現代工业生产当中，各种机械设备长期运行在高速、高温、高压、重载荷等恶劣工况下，其性能不可避免地发生退化从而导致设备故障。故障一旦发生，不仅会造成巨大的经济损失，甚至可能导致灾难性的人员伤亡和环境污染事故。而轴承、齿轮等旋转部件作为机械设备当中的关键部件，其运行状态影响着整个机械设备的工作状况。
　　【关键词】机械系统；旋转部件；退化跟踪；故障预测
　　1引言
　　随着科学技术的不断发展，我国现代工业生产水平不断提高，生产中使用的机械设备越来越朝着大型化、高速化、精密化、系统化和高度自动化方向发展。对于企业用户而言，确保这些机械设备长周期安全可靠运行，保障安全生产，能够带来巨大的经济效益和社会效益。然而，由于生产需要，当今国防与国民经济当中使用的各种机械设备长期运行在高速、高温、高压、重载荷等恶劣工况下，设备当中的各个关键零部件在运行过程中会不可避免地出现疲劳失效，从而引发整个设备故障。故障一旦发生，不仅造成巨大的经济损失，甚至会导致灾难性的人员伤亡和环境污染。我国国家中长期规划（2006-2020年）和机械工程学科发展战略报告（2011-2020年）均将重大设备的运行可靠性、可维护性关键技术的研究列为重要研究方向。其中，做为机械设备主要类型之一的旋转机械设备（关键部件包括轴承、齿轮和转轴等），由于在可持续能源生产、加工制造等领域中越发广泛的应用而成为主要的研究对象。轴承或齿轮等旋转部件作为旋转机械当中的关键部件，其运行状态严重影响着整个机械设备的工作状况。据相关调查研究发现，由轴承引起的问题占了整个机器故障的40%以上，在机器的总故障次数中，齿轮故障约占10.3%左右，而在齿轮箱的失效零件中，齿轮失效占60%左右。因此，对轴承、齿轮等机械旋转部件进行健康监测以及维修策略的研究具有重要意义。
　　2 旋转部件特征提取及退化状态跟踪方法
　　从传感器测得信号当中滤除噪声干扰并提取有效的故障特征是机械部件退化状态跟踪的基础。目前，机械故障特征提取方法主要分为时域方法、频域方法以及时频域方法三大类。信号的时域分析是指直接计算信号在时域当中的统计特征，将其用于评估与衡量部件当前的工作状态是否存在故障。常用的时域故障特征参数包括方差、均方根值、峰峰值、偏斜度指标（skewness）.峭度指标（kurtosis）等。其中，峭度指标对于早期故障十分敏感，常被用于机械部件的早期故障识别；均方根值对早期故障不敏感，但是稳定性较强，常被用于描述部件退化过程。时域分析方法计算简单，易于在线监测，但易受到噪声影响，多适用于故障较为严重、故障特征较为明显的信号。频域分析方法主要以快速傅里叶变换（FFT）为理论基础，将原信号与三角基函数进行内积变换从而将时域信号转换为频域信号，通过观察所获频谱的各个频率成分及其分布情况，对故障进行诊断分析。
　　常用频域分析方法包括数字滤波方法、包络分析以及倒谱分析方法等。然而，傅里叶变换是对信号在整个时间段内的一种平均化的频率特征表示，它不能反映出信号在局部时间区域内的频域特征，因此一般适用于平稳信号的分析。针对傅里叶变换对非平稳信号特征提取上的不足，时频域分析方法（time-frequency analysis）应运而生。时频域分析是将时域信号映射到时间一频率（尺度）一幅值的三维空间当中，在该空间当中可以反映信号在不同局部时间段上的频率特征。短时傅里叶变换（STFT）、Wigner-Ville分布、小波变换（WT）、经验模态分解（EMD）、稀疏信号分解等时频域分析方法，均被广泛应用于机械故障信号的特征提取与诊断当中。除此之外，以独立分量分析（ICA）以及平稳子空间分析（SSA）为代表的盲源分离方法也被应用于机械系统信号处理及特征提取当中。盲源分离方法可以在缺乏先验信息的条件下按照独立性原则或者平稳性原则将原信号线性分解为多个子信号，通过进一步处理与信号特征相关的子信号来达到信号去噪及特征提取的目的。
　　3旋转部件故障预测方法
　　现代生产中机械部件所处工作环境复杂，对其进行准确动力学分析十分困难，而基于数据驱动模型的旋转部件故障预测方法是直接对实时采集的传感器数据进行特征提取和退化状态跟踪，利用所得退化特征建立模型进行部件故障趋势及剩余使用寿命的预测。最简单的数据驱动模型是基于自回归模型和自回归滑动平均模型的时间序列分析方法，这类方法模型十分简单，但是预测完全依赖于建模数据的趋势发展，因此，预测精度往往不高。基于神经网络的数据驱动模型可以通过有效的数据训练构建一个包含输入层、隐含层以及输出层的网络结构，并利用该网络预测未来时刻数据的发展趋势，被广泛应用于机械旋转部件故障趋势及剩余寿命预测。常用的神经网络包括递归神经网络、小波神经网络以及模糊神经网络等。递归神经网络通过增加反馈节点存储隐含层过去的输入输出信息，提高了网络训练的准确性。
　　基于数据驱动模型预测方法的主要优点是：不需要对研究对象进行复杂的动力学建模，模型直接通过实测信号建立，方法实现简单，易于在线监测；模型的建立与实时采集的传感器测量信号直接相关，可以实时调整模型参数，准确跟踪信号变化趋势，因此模型可适用于多种故障类型，方法适用范围较广。然而，基于数据驱动模型的预测方法本质上是对于直接提取自传感器信号的特征参数发展趋势的预测，而没有从理论上将提取的特征参数的变化与实际旋转部件的物理损伤变量（如裂纹大小）的发展趋势建立联系；另外，数据驱动模型需要大量数据来训练预测模型以到达较高的预测精度。
　　4基于多时间尺度建模的机械部件故障预测
　　由于数据驱动模型是直接通过实测信号的非线性特征构建得到，因此数据驱动模型描述的是快变时间尺度下获取的信息，反映的是一个快变时间尺度系统的动态特征。物理模型可以通过动力学分析描述机械旋转部件物理状态的变化以及实际损伤的演化情况，而这种故障状态的演化通常是一个缓慢的过程，可以被描述为一个慢变时间尺度系统，物理模型反映的就是这样一个慢变时间尺度系统的动态特征。实际上，一个现实中的机械动态系统往往可以被看做一个复合系统，由上述的快变时间尺度系统和慢变时间尺度系统相互联系祸合而成。对于可以分别描述两个时间尺度系统的数据驱动模型和物理模型而言，数据驱动模型的主要缺点是无法从理论上将提取的特征参数的变化与实际旋转部件的物理损伤变量的发展趋势建立联系，而物理模型的主要不足是忽略旋转部件实际运行时的参量变化，实时动态调整模型参数的能力较弱。由此可见，单独使用数据驱动模型或者物理模型只能反映整个动态系统的一个方面的特征表现，无法全面地描述快变时间尺度系统和慢变时间尺度系统的动态特征。因此，研究一种能够将数据驱动模型以及物理模型有机结合，实现两种预测模型优势互补的多时间尺度模型，并进行机械旋转部件寿命预测的研究具有重要的意义。
　　结束语
　　因此，为了确保机械设备安全高效的运行，对于机械设备中关键的旋转部件进行健康监测并建立科学的维护策略成为当前工业界和学术界最为活跃的研究重点。
　　参考文献：
　　[1]王宝祥.基于运动形态分解与多变量EMD的高速自动机动态监测与故障诊断研究[D].中北大学，2018.
　　[2]程哲.直升机传动系统行星轮系损伤建模与故障预测理论及方法研究[D].国防科学技术大学，2011.
　　[3]张晓飞.直升机传动系统状态增强检测的随机共振理论与方法研究[D].国防科学技术大学，2013.
转载注明来源:https://www.xzbu.com/1/view-14719570.htm