（机械电子工程专业论文）基于神经网络的旋转机械的故障诊断研究.pdf

四川大学硕士学位论文 基于神经网络的旋转机械的故障诊断研究 机械电子工程专业 研究生周丽霞指导教师杨荣松 企业生产中的机械设备一旦发生故障，整个装置都不能正常运作，因此对 设备进行状态监测和故障诊断是设备维护上的一个必不可少的重要环节。机械 设备状态信号是机械设备异常或故障信息的载体，在机械故障诊断中，可用于 监测与诊断的信息很多，包括振动、温度、压力、声响和变形等，在众多信息 中，振动信号能够更迅速、更直接的反应机械设备的运行状态。 本研究以风机振动信号为研究对象，对其进行分析处理，提取特征值，并 应用神经网络进行故障诊断，并采用l a b v i e w 这一图形化编程语言设计系统界 面，系统界面包括三大部分：信号采集、信号处理和故障诊断。 首先，根据工业风机常见故障的典型特征，采用振动传感器对风机振动进 行了全面的监测，由于采集到的表征诊断对象运行的原始状态信号混杂有大量 的背景噪声，为提高诊断的灵敏度和可靠性，必须采用信号处理技术，在状态 信号中排除噪声、干扰的影响，提取有用的故障信息，以突出故障特征。因此， 系统先采用小波包分析对原始状态信号进行消噪处理。 然后，在进行神经网络故障诊断之前，还必须对消噪后的信号提取特征值， 作为神经网络的输入。所谓特征提取，就是对系统的动态信号预处理后得到的 信息进行分析，提取与系统状态有关的数据，再分析这些数据，提取其中与系 统状态相关性较大的敏感特征。特征提取采用小波包分析重构，计算各频带子 信号的相对能量值。 神经网络不同于传统的人工智能领域普遍采用的基于逻辑与符合规则的处 理方法，为人工智能的研究开拓了一个新领域。神经网络是一种比较理想的识 t 四川大学硕士学位论文 别分类工具。因此本课题采用b p 神经网络对风机故障进行识别分类。但由于b p 神经网络基于梯度的方法，这种方法的收敛速度慢，且常受局部极小点的困扰， 把遗传算法应用于神经网络的权值训练中，克服了b p 神经网络的缺陷，是神经 网络训练的有效方法。 关键词：故障诊断神经网络特征提取l a b v i e w t h er e s e a r c ho ff a u l td i a g n o s iso fr 0 1 1i n g m a c h i n eb a s e do nn e u r a ln e t w o r k m e c h a t r o n i c se n g i n e e r i n g p o s t g r a d u a t ez h o u1 i x i a p r e c e p t o ry a n gr o n g s o n g i nt h ep r o c e d u r eo fp r o d u c t i o n ， o n c et h em a c h l n ee q u l p m e n t 1 s b r e a k e dd o w n 。t h ew h 0 1 ee q u i p m e n tc a n to p e r a t en o r m a l 上y ， s om o n l t o r l n g a n dd i a g n o s i n gt h eo p e r a t i o no fe q u i p m e n t i sa ni m p o r t a n tli n ko f e s s e n t i a l o p e r a t i o no f t h ee q u i p m e n t s t h ec o n d i t i o no ft h em a c h i n e e q u i p m e n t ss i g n a li sc a r r i e ro ft h em a c h i n ee q u i p m e n t s a b n o r m a l l t y i nd i a g n o s i so fm a c h i n ee q u i p m e n t ， m a n yi n f o r m a t i o ng e t t i n gf o r mt h e o d e r a t i o nc a nb eu s e df o rt h em o n i t o ra n dd i a g n o s i s ，s u c ha st h ev 1 b r a t l o n ， t e m p e r a t u r e ，p r e s s u r e ， v o i c ea n dt r a n s f o r m e t c ， i nal o to 士 i n f o r m a t i o n 。 t h ev i b r a t i n gs i g n a lc a nb et h e m o s tq u i c k l y ，d i r e c t l y g i v e f e e d b a c ko fa b n o r m a lm a c h i n ee q u i p m e n t s i nt h i sp a p e r ， t h ed i a g n o s i so ff a ni sr e s e a r c ho b j e c t f i r s t ， a n a l y s ea n dd e a lw i t hs i g n a l ，t h e ng a i nt h ec h a r a c t e r i s t i c so ft h ef a u l t d i a g n o s iso ft h ef a n ，a n da p p l yt h en e u r a ln e t w o r kt oc a r r y o nd l a g n o sls ， l a s t ，d e s i g nt h es y s t e mi n t e r f a c ei su n d e rt h ee n v i r o n m e n to fl a b v i e w t h es v s t e mi n t e r f a c ei n c l u d et h r e es t r o n gp a r t ：t h es i g n a lc 0 1 1 e c t i o n ， t h es i g n a lp r o c e s s i n ga n dm a k ef a u l td i a g n o s i s f i r s t ，a c c o r d i n gt ot h ei n d u s t r i a lf a nt y p i c a lc h a r a c t e r i s t i co f t h ec o m m o nf a u l t ，a d o p tv i b r a t i o ns e n s o rs p r e a d st oc a r r y o nt h eo v e r a 上j m o n i t o rt ot h ef a nv i b r a t i o n b e c a u s et h ec 0 1 1 e c t i o ns i g n a l ，t h a ts t a n d s i i i 一一一 婴型奎兰婴主堂垡丝奎 f o ri n f o r m a t i o no fo r i g i n a la p p e a r a n c e ， i n c l u d e sag r e a td e a l o f b a c k g r o u n dn o i s e ， t oi m p r o v ep r e c i s i o na n dd e p e n d a b i l i t yo fd i a g n o s i s ， m u s ta d o p tt h es i g n a lp r o c e s s i n gt e c h n i q u et om i n i s ht h e n o i s e ，d i s t i l l t h eu s e f u lf a u l ti n f o r m a t i o n ，a n dt og e tt h eo u t s t a n d i n gc h a r a c t e r i s t i c t h e r e f o r e ， t h es y s t e ma d o p t sw a v e l e ta n a l y s i st oc a r r yo ne l i m i n a t i n g n o i s ef o r mt h eo r i g i n a la p p e a r a n c es i g n a l t h e n ，b e f o r ec a r r y i n go nt h en e u r a ln e t w o r kd i a g n o s i s ，m u s te x t r a c t t h ef e a t u r eo ff a u ltf a n ， t h a tist h ei m p o r to ft h en e r v en e t w o r k t h e f e a t u r ee x t r a c t i o ni st h ep r o c e s so fa n a l y z i n g t h es t a t es i g n a lo ft h e s v s t e m ， t oe x t r a c t i n gt h er e l a t i v ed a t a so fs y s t e ms t a t e ， t h e na n a l y z e t h e s ed a t a s t h ef e a t u r ee x t r a c t i o ni sf i n i s h e dt h r o u g ht h em e a n so f w a v e l e ta n a l y s i sa n dr e g a i n ， c o m p u t i n gt h ee n e r g yi n e a c hf r e q u e n c y c h a n n e l t h en e u r a ln e t w o r ki sd i f f e r e n tf o r mt h et r a d i t i o n a la r t i f i c i a l i n t e l l i g e n c et h a t i sa c c o r d i n gt o1 0 9 i ca n dt h er u l ei nt h ep r o c e s s i n g t h en e u r a ln e t w o r kc a r v eo u tn e wd o m a i nf o rt h er e s e a r c ho ft h ea r t i f i c i a l i n t e l l i g e n c e t h en e u r a ln e t w o r ki s ak i n do fi d e a l l yt 0 0 1 o f i d e n t i f i c a t i o na n dc a t e g o r i z a t i o n t h e r ef o rt h i ss u b j e c ta d o p t sb p n e u r a ln e t w o r kt oc a r r yo ni d e n t i f y i n gt h ef a u l to ff a n b u tb e c a u s eo f t h eb pn e r v en e t w o r ka c c o r d i n gt og r a d s ，t h ec o n s t r i n g e n c yiss l o w ，1 0 c a l 1 e a s ti sc o m m o n g e n e t i ca 1 9 0 r i t h m ( g a ) i sae f f i c a c i o u sm e t h o do ft h e l e a r nw e i g h t t r a i n i n ga r t i f i c i a l n e u r a ln e t w o r k ，o v e r c o m i n g t h e d is a d v a n t a g eo ft h eb pn e u r a ln e t w o r k k e y w o r d ： f a u l t sd i a g n o s i s ； n e u r a ln e t w o r k ； f e a t u r ee x t r a c t i o n ； l a b v i e w 四川大学硕士学位论文 声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工 作及取得的研究成果。据我所知，除了文中特别加以标注和致谢的 地方外，论文中不包含其他人已经发表或撰写过的研究成果，也不 包含为获得四川大学或其他教育机构的学位或证书而使用过的材 料。与我一同工作的同志对本研究所做的任何贡献均已在论文中作 了明确的说明并表示谢意。 本学位论文成果是本人在四川大学读书期间在导师指导下取得 的，论文成果归四川大学所有，特此声明。 2 0 0 7 年5 月 四川大学硕士学位论文 第一章绪论 各类风机、汽轮发电机组等旋转机械，它们是冶金、汽车、电力、造船和 石化等国民经济重要部门的关键设备。在运行过程中，机器发生的任何故障或 失效不仅会严重造成重大的经济损失，甚至还可能导致灾难性的人员伤亡和恶 劣的社会影响n 。所以，保障机器运行安全，并能够稳定、长期、满负荷运行， 将产生巨大的经济效益和社会效益。影响旋转机械的安全运行的因素极多，通 过对机组运行的过程状态参数进行信号的监测与分析，并判断设备是否正常运 行、是否存在潜在故障，还可以预测故障发展趋势。对于预测机械故障，所以 研制故障监测系统是由重大意义的。 1 1 引言 设备故障诊断是一门综合性技术，它通过掌握设备过去，或监测设备现在 运行中即在基本不拆卸的情况下的状态量，判断故障的原因，确定设备整体或 局部是否正常并及早发现故障，并对其原因、部位、危险程度等进行识别和预 测潜在故障对将来的影响，从而针对具体情况做出实施维护决策。它涉及传感 及测试技术、电子学、信号处理、模式识别理论、计算机技术以及人工智能等 多门基础学科，是对这些基础理论的综合应用n 】 2 | 。 随着科学技术与生产的高度发展，各种设备的生产效率、自动化程度越来 越高，工作强度不断增大，同时设备更加复杂，各部分的关联愈加密切，往往 某处微小的故障就能导致整个设备的损坏，有些则造成了灾难性的后果。所以 故障诊断技术日益获得重视与发展，其无论在理论上还是在应用上都发生了令 人瞩目的深刻变化。随着微型计算机的普遍推广应用，特别是f f t 算法的引入， 使得振动测试分析和故障诊断技术进入了新时期n 2 儿羽。例如，1 9 8 8 年2 月，我国 秦岭发电厂的一台汽轮机发电机组在进行超速实验时，发生了轴系断裂的严重 事故，造成的经济损失约3 0 0 0 万元左右。这些事故不仅造成了巨大的经济损失， 而且某些事故还造成了人员伤亡。由此可见诊断技术的意义及其重要性。 一 堕业奎堂堡主堂篁丝茎 另外，故障诊断技术带来的巨大的经济效益也是其得以重视与发展的重要 原因，主要表现在：故障诊断系统能减少事故发生率，企业在较少的投资下， 获得较高的收益；故障诊断系统可以帮助节省维修费用，可以做到根据诊断的 结果来确定是否需要维修，保证物尽其用，让设备发挥其最大效益心儿3 1 。 1 ：2 设备故障诊断技术在国内外的发展情况 故障诊断技术研究领域包括：传感器技术、信号分析与数据处理技术、故 障机理的研究、自动诊断方法的研究以及诊断系统的研制与开发。在过去相当 长的时期，由于生产规模，设备的技术水平和复杂程度都很低，设备的利用率 和维修费用没有引起人们的重视，人类对设备的维修方式基本上是事后维修， 即设备运行出现问题之后进行故障分析和维护。2 0 世纪以后，由于大生产的发 展，尤其是流水线生产方式的出现，设备本身技术水平和复杂程度大大提高， 设备故障对生产的影响显著增加。这样，出现了定期维修，以便在事故发生之 前加以处理h 儿韧3 。 国外故障诊断技术的发展开展较早，己有4 0 多年的历史。法国从7 0 年代末 开始实施一项利用永久性状态监测实现状态检修( p s a d ) 的研究计划，现已成功 地用在了法国4 个核电厂的汽轮机组、反应堆循环泵、压力容器上，计划配备法 国全部核电厂。p s a d 系统是由主工作站、分析工作站和远程站组成，可以实现 主要部件的在线故障检测、利用专家系统对故障的评估、向全国性分析中心发 送监测数据等功能。美国国防部自7 0 年代开始进行以可靠性为中心的状态检修 技术的研究，并应用在军用飞机、船舶和车辆上儿7 1 。在8 0 年代，民用工业开始 采用，在能源、电力、机器制造和电子工业等行业取得了举世瞩目的成绩，如 德克萨斯仪器仪表公司、田纳西电站、勘萨斯市政动力和照明公司等等1 。在状 态监测的具体应用技术方面，从油液分析、过程参数趋势分析、红外热成像技 术、声发射技术、摩擦磨损微粒分析、振动分析、电气冲击波分析等多个领域 进行，其中振动分析是最主要的研究内容。对振动分析，相关的信息处理技术 研究有恒百分比带宽分析、最小误差分解谱、小波分析等。在残余寿命预测方 面，利用概率诊断和系统危险评估方法进行最优化计算。对大型汽轮发电机组 的状态监测、故障诊断不仅限于轴系部件，还扩展到通流部分、调速系统、主 变等电气一次主设备1 。 2 四川大学硕士学位论文 国内故障诊断技术的起步较晚，但发展很快，特别是近几年的努力，已基 本跟上了国外的步伐，在某些理论的研究方面己和国外不相上下。自8 0 年代后 期起，每年国家自然基金委员会都资助数项旋转机械振动故障机理、诊断理论 或方法、诊断系统的研究。在故障机理方面，资助过碰摩、裂纹转子等研究。 目前，在些特定设备的诊断研究方面很有特色，形成了一批自己的检测诊断 产品，如西安交通大学的“大型旋转机械计算机状态监测与诊断系统”，哈尔 滨工业大学的“机组振动微机状态监测诊断系统”，山东电力科学研究院和清 华大学等单位在1 9 9 7 年共同开发的“大型汽轮发电机组远程在线振动监测分析 与诊断网络系统”。 当前国内机械故障诊断的方法有两类：传统的基于人工智能的专家系统和 人工神经网络，前者的标准模式由知识库、推理机和人机接口组成；后者( 简称 神经网络，n e u r a ln e t w o r k ) 是由大量简单的处理单元相互连接组成的网络，各 种网络模型中应用最多最有成效的是前微小多层神经网络，这种网络在学习过 程采用了b p 算法，故又称为b p 网络h 。 近二十多年来，我国一些高等院校、研究所和工厂，在振动检测和故障诊 断这一领域开展了许多研究工作，但是开发出来的几种大型的旋转机械在线监 测系统，主要用于某些关键设备的运行、监测和故障诊断。国内长期以来对风 机这样的重要辅机不够重视，对其运行振动的监测手段、故障诊断技术和诊断 设备研究甚少，仅停留在定期巡回检测、停机检修和事后事故分析的低层次阶 段，有的甚至连风机的监测制度也无法保证，加上国产风机的可靠性差，而且 缺少有效的监测手段，常造成巨大的经济损失。 1 3 本课题的来源和主要任务 早期的机械故障诊断方法为人工诊断，这是最原始的，却也是基本的故障 诊断方法。直至7 0 年代它仍是我国内外电力系统主要的诊断方法。实际上，当 今大量的现场实际疑难振动，也还是采用这种人工故障诊断方法进行诊断分析， 所不同的则是测量工具和信号分析手段不断更新和改进瞪。 从本世纪7 0 年代起，随着人工智能理论、电子技术和计算机技术的发展， 为机理振动故障诊断技术向自动化、智能化发展提供了重要的先决条件。诊断 系统的智能化使得系统可以有效地获取、传递、处理并利用相关信息，对给定 3 四川大学硕士学位论文 环境下的诊断对象进行自动( 或半自动) 状态识别、故障判断和状态预测。 本课题以某轧钢厂的d 9 0 0 烧结风机为例来建立一故障诊断系统。一般故障 诊断系统建立过程分为信号采集，特征值提取，故障诊断，系统界面设计四个 阶段。 ( 1 ) 信号采集 故障诊断技术要从机械的故障样本进行分析研究，也就是指机器运行时产 生的代表其状态的各种信号。故障诊断的前提是信号采集，只有采集到反映设 备实际状态的信号，才能保证诊断工作顺利进行。在机器的运转过程中，机器 的振动往往是机器破坏的主要原因n 胡阳3 。因此，在课题中主要是通过采集风机 的振动信号进行故障诊断。由于风机的振动现象所包含的故障信息是最为丰富 的，可以采用多个传感器采集风机的振动信息，以全面反映风机的振动情况。 ( 2 ) 故障特征值的提取 特征值的提取技术实际上就是信号分析和处理技术，也是故障诊断的关键 技术。一般，传感器采集的信号即原始信号，很难直接利用，虽然经过放大， 但由于含有噪声，从时序波形上很难反映故障特征，必须利用信号分析和处理 技术去除噪声并把信号转化在不同的域内进行分析，才能得到更能敏感反映机 器状态的特征值1 0 1 。滤波技术、频谱分析技术是传统的信号分析方法，近年来 出现的小波分析技术大大丰富了信号技术处理技术的内容。以频谱分析的系列 技术为例，如f f t 分析、倒频谱分析、短时f o u r i e r 变换等在传统的工程应用中 占有非常重要的地位。但它们对非平稳信号的分析能力不很理想。 小波变换技术是目前研究的一个热点。由于它同时具有时域和频域分析的 特点，因此对于准确分析故障十分有利。它具有优良的时频定位特性和对信号 的自适应能力，不仅适合分析平稳信号，而且适合分析非平稳信号。小波变换 的具体处理方法是利用一系列不同尺度的基函数对信号进行分解，这些基函数 可以根据信号不同的频率段，通过母小波的伸缩与平移而得到。小波变换信号 的分解和重构可有针对性地选择有关频带信息和剔除噪声干扰，信息量即无冗 余，也无渗漏n u n 幻。分析时间信号的奇异性、信号频率结构的变化或同时进行 时间和频率特性分析，是利用小波变换进行故障诊断的主要出发点畸1 。 就本课题风机故障诊断而言，采集到的振动信号往往都是非平稳的，用小 波分析方法将信号作小波多尺度分解，提取各层高频小波分解系数序列的能量 4 婴! ! 奎兰堡主堂垡丝茎 一 作为故障诊断的特征因子，可以较好地保留信号的原始特征，为故障诊断提供 了有效的前提，因此选择小波分析方法是对振动信号进行分析处理的有效方法。 ( 3 ) 故障诊断 由于故障诊断逐渐向智能化发展，在智能诊断系统中应用较多的是人工神 经网络。由于其具有记忆、自学习和能拟合任意连续非线性函数的能力，以及 它的并行处理、全局作用的能力，使它在处理非线性问题方面具有很强的优势， 在复杂系统的故障诊断中被寄予厚望，得到了广泛的重视。 采用神经网络进行故障诊断，其本质就是模式分类问题，即判断信号样本 是正常的还是异常的，异常的属于哪一类故障。神经网络技术在诊断中的应用 作为一种自适应的模式识别技术，它不需要预先给出关于模式的经验知识和判 别函数，通过自身的学习机制自动形成所要求的决策区域，它能充分利用状态 信息，对来自不同状态的信息逐一训练以获得某种映射关系，而且网络可连续 学习，当环境改变，这种映射关系可以自适应，以求对对象的进一步逼近，可 见在故障诊断中，它是一种比较理想的识别分类工具n 们。 目前广泛研究的前馈网络中采用的是误差反向传播( b p ) 算法，b p 算法具 有简单和可塑的优点，但是b p 算法是基于梯度的方法，这种方法的收敛速度慢， 且常受局部极小点的困扰，采用g a 则可把神经网络的结构优化和权值学习合并 起来一起求解，克服了b p 算法的缺陷，是神经网络权值学习的有效方法。 ( 4 ) 系统界面 另外，故障诊断系统界面采用虚拟仪器技术实现。虚拟仪器相对于传统仪 器，具有明显的优点：灵活性、高性价比、技术更新快、易于网络化、实现传 统仪器不可能实现的功能。虚拟仪器编程语言l a b v i e w 是美国n i 公司开发的一 套基于g 语言( g r a p h i c sl a l l g u a g e ，图形化编程语言) ，专为数据采集与仪器控制、 数据分析和数据表达而设计的开发软件。符合国际标准i e e e 4 8 8 2 接口驱动程 序，适合于用户组建小型的测试系统和较简单的虚拟仪器或者用于大系统中某 个分系统的编程。它增强了用户在标准的计算机上配以高效经济的硬件设备来 构建自己的仪器系统的能力。将l a b v i e w 与一般的数据采集以及仪器设备加以 组合，就可以设计出虚拟仪器，并将其应用于许多领域，从而摆脱传统的仪器 功能的限制n 9 j 。 综上所述，小波分析技术和神经网络技术的有机结合n 3 ，使得故障诊断系 5 婴型奎兰堡主兰焦丝茎 统具有开发周期短、实时性强、准确可靠等优点，可以有效地解决复杂系统的 故障诊断问题。本论文把风机作为一典型的旋转机械进行故障诊断研究，通过 对某钢铁厂的d 9 0 0 烧结风机为例来说明具体的故障诊断方法。并将小波和神经 网络应用于风机故障的监测诊断系统中。 基于以上考虑，本课题的主要任务如下： ( 1 ) 首先分析风机常见故障特性。当通风机出现故障，其振动的振幅、形 式和频谱都会发生变化，不同的故障以特定的频率振动。 ( 2 ) 配置采集风机振动信号的系统硬件，并应用小波分析实现对振动信号 的消噪处理和信号特征提取。 ( 3 ) 应用神经网络实现对风机常见故障的识别分类，并采用遗传算法优化 神经网络。 ( 4 ) 用l a b v i e w 进行故障诊断界面设计。 6 四川大学硕士学位论文 第二章旋转机械常见故障分类 大部分机械故障都在振动信号上反映出来，尤其轴系故障。本章概述了风 机振动及振动故障的常见分类及故障特征，分析了轴系振动的故障机理，为本 系统所做的神经网络诊断风机振动提供了理论分析依据。 转子及轴系的振动是造成风机振动故障的主要原因。轴和轴系在机组内作 旋转运动，其常见故障有不平衡、弯曲、油膜涡动、不对中以及转子径向、轴 向摩擦等。以下就各种情况的振动特征作简要分析。 2 1 转子不平衡 转子不平衡是旋转机械最为常见的故障。产生不平衡的原因有转轴上所装 配的每个零部件材质不均匀( 如铸件中存在气孑l 、砂眼，加工误差) 、装配偏心 以及在长期运行中产生不均匀磨损、腐蚀、变形，或者某些固定件松脱、各种 附着物不均匀堆积等，从而导致零件发生质心偏移而造成不平衡嘲乜1 1 。 在不平衡力的作用下转子将发生振动，振动的主要特征有： ( 1 ) 稳定的工频振动在整个信号中占主要成分，工频是指在工作转速下( 升 降速过程情况例外) ，故障频率等于转子的旋转频率。 五= z = 去 ( 2 1 ) o u 兀转子的基频( h z ) f 转子的旋转频率( h z ) 刀转子的转速( r m i n ) 此外，不平衡振动还会出现较小的高次谐波等。 总之，在诊断不平衡故障时，首先必须分析信号和频率成份，是否有突出 的转频，即工频振幅占主要成分的前提下，工频振动的幅值与相位随转速的变 化以及定速后随时间的变化规律是否重复稳定：其次看振动的方向特征，必要时 再分析振幅随转速的变化情况，或测量相位。 7 四川大学硕士学位论文 ( 2 ) 在一定的转速下，振动的幅值和相位基本上不随时间发生变化。 ( 3 ) 轴心运动轨迹为圆形或椭圆形。 不平衡引起的振动幅值在径向和轴向大小不一样，因为不平衡产生的离心 力作用方向垂直于转子轴线所致，径向振动比轴向要大；而在径向振动中，由 于轴承座在垂直方向的动刚度一般大于水平方向的原因，水平方向大于垂直方 向。 2 2 转子热弯曲 转子热弯曲引起的主要特征是工频振动随时问变化。随机组参数的提高和 高参数下运行时间的延续，工频振幅逐渐增大，相位也随之缓慢变化，一定时 间后这种变化趋缓，最终基本不变。 存在热弯曲的转子降速过程的振幅，尤其是过临界时的振幅，要比转子温 度低，电机升速时的振幅大。二者波特图可以用来判断是否存在热弯曲。新机 热弯曲一般来自材质热应力。这种热弯曲状态是固有的、可重复的，因而可以 用平衡的方法处理。有时运行原因也会导致热弯曲，如汽缸进水、进冷空气、 动静碰摩等。只要没有使转子发生永久塑性变形，这类热弯曲都是可以恢复的， 引起热弯曲的根源消除后，工频振动大的现象也会随之自行消失口昭。 2 3 转子不对中 转子不对中也是旋转机械常见故障之一，主要有以下几种： ( 1 ) 转子与转子间的联接不对中。 ( 2 ) 转子轴颈与两端轴承不对中，对滑动轴承来说，这种情况产生的主要 原因与轴承是否形成良好的油膜有直接关系。对滚动轴承来讲，主要是因为两 端轴承座孔不同轴、轴承元件损坏、外圈配合松动等都会引起不对中。 转子不对中将产生一种附加弯矩，给轴承增加一种附加载荷，致使轴承上 的负荷重新分配，形成附加激励引起机组强烈振动，严重时导致轴承和联轴器 的损坏、地脚螺纹断裂或扭弯、油膜失稳、转轴弯曲、转子与定子产生碰磨等 后果，所以及时预测、处理不对中故障对设备的正常运转，减少事故的发生十 分重要6 1 7 1 。 不对中会激发出一阶转频厶的轴向振动，同时会产生二阶转频2 兀的横向振 8 必川大字坝士学位论文 动。 二阶转频2 五横向振动和一阶转频五的轴向振动是不对中故障状态的特征。 如果二阶转频横向振动的振幅是一阶转频横向振动的振幅的3 0 一7 5 时，则此 不对中度( 即不同轴度) 联轴节还可承受；若达到7 5 一1 5 0 时，则联轴节会产 生故障，若超过1 5 0 时，则会使联轴节产生严重故障，加速磨损以至不能使用。 转子不对中故障特征：特征频率2 厶，常伴频率1 石、3 石，尤其是2 石振动 非常明显；振动特性稳定，轴向振动比较大；轴心轨迹为双环椭圆；一般随着 负荷的增加而成正比的增加，然而对转速的变化影响不大啪儿2 。 2 4 失稳性故障 失稳性故障主要是油膜涡动与油膜振荡，在频谱上表现为低频o 4 2 0 4 9 五或出现高于l 五分量的峰。 油膜涡动与油膜振荡都是自激振动，其产生机理十分复杂，简单地说，油 膜涡动是转子中心绕轴承中心转动的亚同步振荡现象，其回转频率为转子回转 频率的一半，也称为半边涡动。随着转子回转频率的增加，油膜涡动的频率也 增加，当轴的回转频率约为一阶临界频率的2 倍时，随着回转频率的增加，涡动 频率将与转子回转频率无关，而等于转子一阶临界回转频率，并出现强烈的振 动，即发生了油膜振荡口2 。 油膜涡动故障特征： ( 1 ) 油膜涡动的低频成分较多，主要集中在半频或其以下； ( 2 ) 工频附近的振幅所占比例最大； ( 3 ) 振动和相位特征较为稳定； ( 4 ) 轴心轨迹为双环椭圆； ( 5 ) 振动主要方向为径向； ( 6 ) 进动方向为正进动； 油膜振荡故障的振动频率特征： ( 1 ) 油膜振荡总是发生在转速高于转子系统一阶临界转速的2 倍以上； ( 2 ) 油膜振荡的频率接近转子的一阶临界转速，即使转速再升高，其频率 基本不变； ( 3 ) 油膜振荡时，振动的波形发生畸变，在工额的基波上叠加了低频成分， 9 婴型奎兰婴主堂垡笙茎 一 有时低频分量占主导地位，低频振动的幅值，轴承座振动可达4 0um 以上，轴 振动可达1 0 0 1 5 0um 以上，且振幅不稳，轴心轨迹发散； 2 5 转子摩擦 转子摩擦故障的领域特征是广谱宽带，既有与转速频率有关的低频分量， 也有与固定频率有关的高次谐波分量。转子不平衡、转子弯曲、轴系失稳等造 成的转轴振动过大，当振动时的转轴振幅一旦超过动静间隙值，都可能与静止 部位发生摩擦，引起转子与固定件接触碰磨而产生的异常振动，包括径向摩擦、 轴向摩擦等。 转子与静止件发生摩擦有两种情况：一种是转子在涡动过程中轴领或转子 外缘与静止件接触而引起的径向摩擦；另一种是转子在轴向与静止件接触而引 起的轴向摩擦7 m 。 转子摩擦的振动频率特征： ( 1 ) 常伴有1 磊频率振动发生。振动不稳定。 ( 2 ) 摩擦振动是非线性振动。所以还包含有2 五，3 五，一些高频谐波。 除此之外。还会引起次谐波振动，在频谱图上会出现1 n 的次谐波成分( n = 2 ，3 ， 4 ) 。 ( 3 ) 碰摩严重时，各频率成分振幅迅速增大； 1 0 四川大学硕士学位论文 第三章故障信号采集及分析处理 故障诊断是在采集到故障信号的基础上进行的，但其中的机械振动信号最 能反映其运行状况和当前的状态，也就是说振动信号对于故障最敏感乜。所以 本课题主要采集分析风机的振动信号。振动信号的时域、频域和幅值域分析结 果均可以作为故障征兆，而且振动信号在频域内的能量分布具有比较明显的特 点，因此，可以用振动信号的频域特征作为主要的故障征兆来进行故障诊断。 本论文通过对某钢铁厂的d 9 0 0 烧结风机进行故障诊断，d 9 0 0 烧结风机电机 转速为3 0 0 0 转分，风机叶片数为1 9 ，机组轴承是滑动轴承。风机是一种大型旋 转设备，由前后两个轴承支撑，电机通过液力耦合器驱动风机工作，其结构及 故障监测点如图3 1 所示。 3 1 故障信号的采集 3 1 1 测试对象和部位的选择 通过对旋转机械常见故障进行总结，可以发现大多数故障都直接与转子或 转轴的振动有关乜。而且出现故障时，转子或转轴上振动的变化比轴承座及外 壳要敏感得多，因此监测转子或转轴比测试轴承座或机壳的振动信息更为直接 和有效。 在旋转机械中，转子是设备的核心部件，机组能否正常运行主要取决于转 子能否正常运转。从总体上来看，旋转机械的绝大多数机械故障都与转子及其 组件( 齿轮、轴承) 点接相关，其他位置的故障相对较少。既然大多数振动故障 都直接与转子的振动有关，那么对于大型旋转设备来说，可以主要从监测转子 的振动来发现故障。当发生故障时，转子振动的变化比轴承座要敏感，这是因 为油膜轴承具有较大的轴承间隙，其中油膜的阻尼起到了抑制振动的作用。尤 其是当支承系统的刚度较大时( 或者说机械阻抗较大) 时，轴颈的振动有时甚至 可以比轴承座的振动大几倍到十几倍乜妇乜2 2 朝。 四川大学硕士学位论文 4 3 h ok 平) 2 h ( 7 又 风 r 1谛士摁企罢 b 机 丫i x ，1 1 习口自疗 ， 。kn ? r | r ， 电机， w、篓、，+ 、 图3 1d 9 0 0 风机组结构及故障监测点示意图 对于振动轴承而言，轴颈与轴承之间只有极小的间隙，因此轴的相对振动 量值较小，但当滚动轴承出现严重磨损或损坏时，其振动值将明显增加。同样， 齿轮本身出现故障时，轴系的振动反映比外壳和轴承座要明显得多。 但在实际应用中，监测转子轴颈振动要比测量轴承座或外壳的振动更为困 难特别是需要合理地安装传感器。因为测量转于振动的非接触式电涡流传感 器安装时需要在设备外壳上开孔，并且传感器与轴颈之间不能有其他部件。在 大型高速旋转设备上，传感器的安装位置常常是在设计制造时就考虑预留的， 而对低速中、小设备来说，常常不具备这样的条件，在此情况下，可以选择在 机壳或轴承座上安装传感器进行测试瞳0 | 。 综上所述，在对旋转机械进行振动检测时，测量转子振动是首选。振动位 移量对转轴振动的变化反应最为敏感，它能可靠地反映转轴的振动情况，因此 我们选用它作为测量参数。 3 1 2 测量方案的确定 ( 1 ) 本课题选择测量转子振动，并将测点选在主轴上。 测量转轴振动时，一般是测量轴颈的径向振动。通常是在一个平面内相互垂 真的两个方向分别安装一支探头，两个探头可安装在轴承圆周的任何位置，只 1 2 婴型奎堂婴主堂垡笙茎 要能够保证其9 0 。5 。的间隔，都能够准确测量轴的径内振动。探头的安装位 置应尽量靠近轴承，否则出于轴的挠度，得到的测量值将包含附加误差。 ( 2 ) 测量频段的确定 风机除轴承以外的其它机械故障频率一般是1 k h z 以下的中、低频率，所以 本论文的测量频段选择在0 _ 1 0 0 0 h z ( 3 ) 测试方案 根据现有试验条件，采用在线测试和离线处理的振动测试方案，即在测试 时，通过传感器在线采集表征对象的信息，直接将采集的数据传入微机，然后 存储于数据文件中，现场测试结束后利用微型计算机对离散信号进行离线处理 分析n 1 。 ( 4 ) 确定测量参数 对于机械设备的振动诊断而言，可测量的幅值参数有位移、速度和加速度 三种，振动测量参数的选择应该考虑振动信号的频率构成和所关心的振动后果 这两个因素，因为加速度a 、速度v 、位移s 三者存在这样的关系 口= d = 缈2 s( 3 1 ) 因此振动频率彩越大，则加速度和速度的测定灵敏度相对越高。可见对于很 低频率振动，即使其位移振幅很大，加速度幅值仍可能很小；反之，对于高频 振动，虽然位移幅值通常很小，但加速度幅值可能并不小。因此，在振动监测 中，为提高信噪比，对低频振动常取位移和速度参量，对高频振动常选择加速 度作为监测量。在机械系统中，它的振动频率通常是比较小的，所以我们这里 监测的参数选择监测转子的位移。 3 1 3 测试试验硬件配置 ( 1 ) 传感器的选择 由于风机振动主要为低频振动，因此本试验采用适用于低频工作范围的电 涡流位移传感器作为检测元件。这种传感器是基于被测物体的振动位移，根据 法拉第电磁感应定律，将机械中的金属部分置于交变磁场中，或使金属部分在 磁场中做切割磁力线的运动，在金属部分内将产生呈涡旋状的感应电流，既而 对信号进行检测。 本试验采用的电涡流传感器是四川西南高科技科学研究院测控工程研究院 1 3 堕型奎兰堡主堂垡笙茎 研制的非接触型位移传感器，它主要由涡流探头、前置放大器和延长电缆组成。 具有极高的分辨力，可达0 1 邮；较宽测量范围，量程最小5 0 0 肛m ，最大5 0 姗； 极好频率响应o 几千h z ；很好的环境适应能力，基本不受测量环境介质影响， 经特殊设计，可在水下长期使用；探头体积小、结构简单，便于安装、使用； 长期连续工作性能稳定可靠，因此它不仅适用于一般位移、振幅测量，更适合 于大型旋转机械常年运行的故障监测。 ( 2 ) 数据采集卡 本试验数据采集卡采用成都中科动态仪器有限公司p c i 4 5 1 6 数据采集卡如图 3 2 所示，是一种基于p c i 总线的数据采集卡，可直接插在i b m p c a t 或兼容计算 机内的任一p c i 插槽中，构成工业数据采集、生产过程监控系统。 p c i 4 5 1 6 采用同步并行设计，卡上集成了4 片高速1 0 0 p s1 6 b i t d 转换器， 和4 个独立的高速精密运算放大及精密衰减滤波网络组成程控增益通道，实现量 程的电压信号采集。a d 转换器输入信号范围1 0 0 m v 2 0 v 。 模拟输入、触发功能、时钟同步和动态升级都是其重要的构架。每个通道 的增益误差和零点漂移都可以独立地由d a q 控制器微调消除，使其具有高测量 精度和相位一致性，具有较高的工作可靠性和稳定性 图3 2p c i 4 5 1 6 外形图 1 4 四川大学硕士学位论文 3 2 故障信号处理 获得机械的振动信号后，需要对这些信息进行处理，这也是故障诊断的关 键。因此需要熟练准确地掌握信号的分析技术，这样才能获得正确的诊断结论， 保证设备安全可靠地运行。 在信号分析中，傅立叶变换可以将时域信号变换到频域中的谱。就振动分 析来说，各频段的谱分量可以告诉我们信号的各个组成部分，表征信号的不同 来源和不同特征。但傅立叶变换只适用于分析稳态信号，对分析工业领域中广 泛存在的非稳态信号却力不从心，如旋转机械的振动。 由于小波分析技术同时具有时域和频域分析的特点，因此对于准确分析故 障十分有利。它具有优良的时频定位特性和对信号的自适应能力，不仅适合分 析平稳信号，而且适合分析非平稳信号。对于非平稳信号，小波变换具有多分 辨率分析的特点，且在时频域都具有表征信号局部特征的能力，在低频部分具 有较高的频率分辨率和较低的时间分辨率，在高频部分具有较高的时间分辨率 和较低的频率分辨率瞳们瞻舶。 3 2 1 小波分析的基本理论 凡是满足条件r 缈9 矽= o 的函数y ( f ) 都可以作为一个小波基函数。所谓的 小波就是函数似( f ) 通过伸缩和平移而派生出来的一簇函数 ，6 ( f ) ： ，6 ( r ) = j 口| - y ( 竺) 口，6 r 且口o ( 3 2 ) 式中口为尺度参数，6 为位置参数。信号x ( f ) 的小波变换为： 呱( 啪牛 i 即m 争衍= h 即抑审( 3 3 ) 其重构公式为： 厂( f ) = 吉ee 【( 嘿( 6 ) 】，) 睾乃 ( 3 4 ) 若令口= ，6 = 地菇，其中，尼z ，为常数。将a ，b 代入( 1 ) 式，则 可对上述公式进行离散化。所对应的离散小波函数为： 蚧，t ( f ) = 酊7 彪少( 面7 f 一蛾) ( 3 5 ) 离散小波变换是一个序列 q ，七j 肚：咖，其中q 乒= 。其重构公式 1 5 四川大学硕士学位论文 旧 为：厂( f ) = c q ，。y 似( f ) ( 3 6 ) 式中，c 为常数。需要强调一点的是，上述公式的离散化均是针对伸缩因子 a 和平移因子b 的，若再对连续时间变量t 进行离散，即可得信号小波包变换： 尼( ”) = 刀q ( 尼) 办( 七一2 刀) ， 后= 1 ，2 ，3 ，歹 ( 3 7 ) 七e z 艺+ l ( ，z ) = 爿。1 ( 尼) g ( | j 一2 拧) 七= 1 ，2 ，3 ，歹 ( 3 8 ) 七e z 式( 3 6 ) 、( 3 7 ) 就是信号小波包分解的基本算法的离散形式，其中h ，g 相 当于低通和高通滤波器的系数。小波包的重构公式为： z ( 刀) = 乏二艺( 尼