【《鼓风机轴承故障实验信号分析案例》3000字】

鼓风机轴承故障实验信号分析案例目录TOC\o"1-3"\h\u31335鼓风机轴承故障实验信号分析案例 1108271.1实验装置以及信号采集过程 1193021.2MCKD算法轴承故障诊断流程 2248101.3鼓风机轴承实测信号分析 2215851.3.1鼓风机轴承内圈实测信号分析 2171441.3.2MCKD鼓风机轴承外圈实测信号分析 8实验装置以及信号采集过程为了体现数据的可靠度，本次设计使用国外知名大学公布的轴承实验数据作为风机轴承数据。试验需要使用到的具体的设备如下图4-1所示。该实验装置包括四个部分，分别是2马力电机、扭矩传感器/解码器、功率表、电子控制装置。整体的安装布局安照从左至右的顺序，其中电机的功率为1.5kW。本次设计选用了型号为SKF6205的电机轴支撑轴承作为测试对象。对其进行电火花加工并造成轴承单点损坏，形成点蚀故障。本文采用内外环故障数据如下，断层直径0.014英寸、断层深度0.011英寸、由于使用国外的数据，与要对其进行换算，按1英寸约2.54cm进行换算得出二者的尺寸分别为1.016和0.02794，单位毫米，每秒采集12000次数据，采样点设置为8,192个。轴的速度是每分钟1470转。风机轴承的具体参数为：风机轴承内圈直径、外圈直径、厚度、滚动体直径、中径分别为25、52、15、7.94、39.04，单位统一使用毫米。滚动体个数和轴转动频率分别为9个和24.5Hz。图STYLEREF1\s4SEQ图\*ARABIC\s11实验采集装置在本实验中，将人工加工点蚀故障固定在轴承外圈固定位置，从而建立不同位置的的点蚀断层，并对点蚀断层的影响进行定量研究，位置参考3、6和12点钟三个位置。用于振动分析的加速度信号是加速度传感器通过磁座吸附在驱动电机的轴承壳体和风扇端上。通过对数据记录器加速度信号进行采集，采集过程中注意对频率为48kHz的数据进行采集。电机功率和转轴转速由扭矩传感器/解码器测量，后续的数据文件在Matlab中进行处理。MCKD算法轴承故障诊断流程粒子群算法的寻求滤波器长度和解卷积周期的最优解时，通过初始化处理之后形成一定数量的随机粒子，全局最优解可以通过将粒子进行多次迭代获得，在进行每次的迭代时，粒子会对自己进行更新，通过选取两个极值来实现更新，两个值分别是个体极值和全局极值，个体极值是指粒子自身寻找获得的最优值，而全局极值是寻找种群获得的最优值，粒子群利用该极值搜索解空间上的最优位置，在下文进行详细的流程介绍：1）：将数值完成初始化，并设置相应的参数，完成设置后通过对参数的寻优找到最大故障特征值所对应的点。2）：根据要求明确粒子全局极值与个体极值，可以通过求出粒子最佳适应度完成。3）：对所有粒子所在位置与速度进行改变，判断完成位置、速度改变的粒子是否处于规定的区间内。4）：若结果符合要求即刻终止迭代，并对其进行分析处理，反之需要一步跳转。鼓风机轴承实测信号分析本部分通过点蚀试验对鼓风机轴承点蚀故障的信号进行了分析，采集了驱动端内外环在不同载荷下的数据，并对两组实验信号进行了分析。综合考虑，本文的重点研究对象是0.014英寸的断层直径。鼓风机轴承内圈实测信号分析对加速度传感器从驱动端内圈采集的信号进行故障分析，具体参数如下，载荷1马力，大约电机转速为1470转/秒，采集样品频率为12000Hz，点数为8192，转频24.5Hz，内圈故障特征频率132.92Hz。粒子群种群设置为10，进化次数为50。利用粒子群算法得到的寻优结果如图4-2所示，从图4-2中，可以看到初始种群产生后代的代数与故障特征比的规律性之间的关系。由于粒子群追求的是结果的最小值，而故障特征比越大，信号分解效果越好，所以结果处的最小负值就是最大的故障特征比。最佳参数滤波器长度F为137，解卷积周期为10，然后用最佳参数对信号进行分析。图STYLEREF1\s4SEQ图\*ARABIC\s12粒子群算法的寻优结果图STYLEREF1\s4SEQ图\*ARABIC\s13原始信号波形图-内圈图STYLEREF1\s4SEQ图\*ARABIC\s14原始信号频谱-内圈图STYLEREF1\s4SEQ图\*ARABIC\s15原始信号包络谱-内圈从图4-3、图4-4以及图4-5中可以看出：图4-3中原始信号中混杂各种杂乱的冲击信号，无法提取有效信息。而在图4-5中虽然可以看到内圈故障频率突出，然而，其余的倍频峰值显然是杂乱无章的，受到噪声的干扰，没有相当的时间间隔，没有规律。因此，不能依靠它来进行准确的故障诊断。由此得传统的频谱、包络谱直接分析手段有时是无效的。由于最大相关峭度解卷积算法受到滤波器长度和解卷积周期两个参数的影响，处理结果受到主观影响，下面以随机参数F=100、T=150和粒子群算法找到的最优参数F=137、T=10进行对比。图STYLEREF1\s4SEQ图\*ARABIC\s16[100,150]参数组合信号波形图图STYLEREF1\s4SEQ图\*ARABIC\s17[137,10]参数组合信号波形图图STYLEREF1\s4SEQ图\*ARABIC\s18[100,150]参数组合信号频谱图图STYLEREF1\s4SEQ图\*ARABIC\s19[137,10]参数组合信号频谱图图STYLEREF1\s4SEQ图\*ARABIC\s110[100,150]参数组合信号包络谱图图STYLEREF1\s4SEQ图\*ARABIC\s111[137.10]参数组合信号包络谱图由上文得到了随机参数和最优参数，将二者进行对比可以发现：(1)两者的时域波形中都存在大量的杂波冲击信号，但在最优参数下，杂波影响明显较小，且信号的周期性明显增强。(2)如图4-10所示：随机参数的信号包络谱特征不明显，仅存在265.5Hz和528.1Hz两个明显的峰值且是故障的倍频，基频分量存在大量的噪声干扰无法得出有价值的信息，因此随机参数不能作为突出故障特征频率的有限参数。由于无法获取故障信息，不能对轴承进行有效诊断。(3)从图4-11最佳参数下的包络谱可以清楚地看出：故障特征频率的单频峰值为131.3Hz、二次谐波峰值为265.6Hz、三次谐波峰值为396.9Hz。另外，从包络谱中可以清晰地看到故障频率的其他倍频现象，进一步验证了参数优化MCKD对信号中微弱故障特征的较强提取能力。根据这些特征，就足以判断轴承故障发生的位置。为了进一步对其进行验证，使用EMD算法对同一内环故障信号进行了处理，得到了时域、频域和包络谱。虽然可以看到故障倍频的前三个峰值，但不如MCKD算法的包络谱准确。相对而言，在这种情况下，要想提升振动信号分析和故障诊断的有效度，就需要使用MCKD算法进行分析。图STYLEREF1\s4SEQ图\*ARABIC\s112EMD分解IMF分量时域图图STYLEREF1\s4SEQ图\*ARABIC\s113EMD分解IMF分量频域图图STYLEREF1\s414EMD算法包络谱MCKD鼓风机轴承外圈实测信号分析对鼓风机轴承外圈实测信号进行故障分析，这里需要通过加速度计采集相应的信号，风机轴承故障特征频率为87.59Hz。将粒子群种群和进化次数为分别设置为10和30。粒子群优化算法的优化结果如图4-14所示：从图中可知，第23代故障特征比最大为0.3935。最优参数滤波器长度F取值为50，反褶积周期为57，然后用最优参数对信号进行分析。图STYLEREF1\s4SEQ图\*ARABIC\s115粒子群算法的寻优结果图STYLEREF1\s416原始信号波形图-外圈图STYLEREF1\s4SEQ图\*ARABIC\s117原始信号频谱-外圈图STYLEREF1\s418原始信号包络谱-外圈同理内圈，观察以上三图可得：从图4-16中可见，原始信号中混杂着各种杂乱的冲击信号，进行有效信息的提取存在极大的难度。从图4-18可以看到：包络谱图像中周期无法确定，峰值同样难以准确地得出，因此无法进行有效，精准的故障诊断。由于最大峰度解卷积算法受参数F，T的影响，处理结果具有不确定性。因此将随机参数100和150与粒子群优化算法得到的最优参数进行了比较。图STYLEREF1\s419[100,150]参数组合信号波形图图STYLEREF1\s420[50,57]参数组合信号波形图图STYLEREF1\s4SEQ图\*ARABIC\s121[100,150]参数组合信号频谱图图STYLEREF1\s4SEQ图\*ARABIC\s122[50,57]参数组合信号频谱图图STYLEREF1\s4SEQ图\*ARABIC\s123[100,150]参数组合信号包络谱图图STYLEREF1\s4SEQ图\*ARABIC\s124[50,57]参数组合信号包络谱图通过将随机和最优两种参数进行比较可知：(1)在这两个时域波形中，都存在大量的假性冲击信号，但最优参数的抗干扰能力更强。（2）从图4-23可以看出：随机参数下的信号包络谱只有几个明显的波峰，不能得到特征频率，不能得出正确的故障诊断结论。（3）由最佳参数下包络谱图（图4-24），可以清晰得到：前三个峰值分别为87.5Hz、178.1Hz、265.6Hz，大致对应故障特征频率的单倍频、二倍频、三倍频。除此之外，故障频率的其他倍频也较为突出，可以在包络谱上清晰的看出，也进一步验证了参数优化MCKD对信号中微弱的故障特征有很强的提取能力。根据这些特征，足以判断轴承发生了内圈故障。为进一步说