旋转机械故障诊断范文
时间：2023-03-22 20:28:08
旋转机械故障诊断范文第1篇
关键词：旋转机械；故障诊断；原因分析
中图分类号：U472.42文献标识码：A 文章编号：
引言
所谓旋转机械指的是通过内部零部件的旋转运动完成相关功能的机器设备。通常指的是那些旋转速度比较高应用较为广泛的机械，比如离心式压缩机、电动机、汽轮发电机、离心式水泵、真空泵和离心式鼓风机等具有旋转运动都属于旋转机械。旋转机械一般构造较为复杂，发生故障时较难查找出故障原因，更不容易做出有效的维修方案，为旋转机械的维修和管理人员提出较大的难题，本文主要就旋转机械故障的原因作出简要的分析，并总结了故障诊断技术的相关内容。
1 旋转机械故障诊断的特点
进行旋转机械的故障诊断时，首先需要了解旋转机械故障所具备一些特性，以下做出简单的分析：
1.1转子特性
而转子组件的运行的良好与否直接决定了旋转机械的运行状况，所以旋转机械的故障的诊断主要是通过检测转子组件而形成的。转子系统安装转子动力学的理论又被科研人员分为刚性转子与柔性转子。人们将旋转机械内部的转子的转速不能超过其第一阶临界转速的称之为刚性转子，反之则为柔性转子。
1.2旋转机械振动的频率特征
对于旋转机械的诊断需要采集其振动信号，包括诸如周期信号参数或平稳随即信号以及准周期信号等。也就是说旋转机械的振动故障一般都会涉及到转子的速度以及振动频率的状态正常与否。通常旋转机械的振动故障时，其转子的旋转素的与故障特征频率是相关的，一般改特征频率是转子回转频率的几倍或几分之一倍。所以通过分析振动特征频率与转子频率的相关性可以找出旋转机械故障的成因。经实践调查发现，旋转机械故障特征频率与转频具有如下的相关性：
1）同步振动
同步振动指的是转子的故障特征频率域转子频率相同或是其整倍。而一般如果出现强迫振动时表现多为同步振动。很多时候容易出现同步振动，如转子不平衡和联轴器不对中时都可以出现同步振动的现象。
2）亚同步振动
亚同步振动即为振动特征频率低于转子频率时，或者为转频的分数倍时的情况。像涡轮机械发生的喘振和滑动轴承出现的油膜振荡都是属于亚同步振动，而旋转机械的亚同步振动又多为自激振动。
3）超异步振动
超异步振动的情况很多，像齿轮损坏发生的啮合频率会导致超异步振动，还有叶轮叶片的振动时产生的频率也能引起超异步振动，其原理就是故障特征频率高于转频。
通过上述的旋转机械故障发生时的振动情况介绍，其实千万不能简单地认为机器发生故障就表现为上述三种情况的一种，要是如此就简单了。实际情况是，旋转机械在运行过程中，遇到故障时往往表现为三种情况同时存在。
获取旋转机械故障信号的主要途径如下：
1）振动频率分析
因为旋转机械不同的故障类型具有相应固定的特征频率，旋转机械的故障发生时的特征频率是分析及诊断旋转机械故障类型的有效参数。
2）分析振幅的方向特征
因为旋转机械各异的故障情况发生时的振动方向具有比较明显的方向特点，一般在进行故障诊断时，需要在相应的测点进行三个不同方向的振动测量，然后根据其振动方向可以初步判定其故障类型。
3）分析振幅随转速变化的关系
旋转机械有相当一部分故障的振动幅值与转速变化有密切的关系，所以现场测量时，在必要的时候，要尽量创造条件，在改变转速的过程中测量机器的振幅值。
2旋转机械故障的来源及主要原因分析
旋转机械出现故障的诊断技术首先是基于对于机械故障的原因进行分析，以下是根据实践经验总结的引起机械故障的不同原因，有助于工作人员对机械故障做出顺利而准确的诊断。
2.1设计和制造引起机械故障
设计不当，动态特性不良，容易引起旋转机械发生强迫振动或者是自激振动的现象；由于结构设计不够合理，导致构件截面出现应力集中现象；工作转速应尽量避免接近临界转速区，否则容易引起旋转机械出现故障的一个原因；运行点接近或落入运行非稳定区；零部件加工制造精度达标，引起产品质量问题；零件材质不良，造成旋转机械出现质量问题而容易引起故障；设计时或制造过程导致的转子动平衡不满足技术要求。
2.2安装和维修引起机械故障
当机器安装不当，零部件发生错位使得机械预负荷过大，容易引起机械故障；轴系对中不良（一般是由于轴系热态对中的考虑不够）；机器的各几何参数（比如配合间隙、过盈量及相对位置）调整的位置不当；管道压力过大，使得机器在工作状态下改变了动态特性和安装精度；转子长期放置不当，破坏了动平衡精度容易引起机械故障；安装或维修工程破坏了机械的原有配合性质和精度导致的机械故障等。
2.3运行操作不当引起机械故障
具体的引起旋转机械故障的不当运行操作如下所述：旋转机械在非不满足设计要求的状态下运行（如转速过大、长时间或较大的负荷），导致机械构件出现损坏，导致故障；不够或冷却不良；旋转体出现损坏、耗损或结垢的现象；机械的相关参数设定不当（如温度、转速等），使得机器运行失稳，易引起机械出现较大的故障；不按设计要求进行机器的启动、控制升降速等操作，或者暖机不够、热膨胀不均匀等。
2.4机械状况恶劣导致机械故障
这里指的是机器使用过程中保养维护不当引起的故障：如机器没有得到足够的时间调整，而长时间负荷状态下使得其转子挠度增大；机器的地基基础出现不同程度的沉降，导致旋转机械的外表壳出现变形的情况等。
3旋转机械故障诊断技术的内容
对于旋转机械故障做出诊断需要进行以下三方面的内容：
（1）特征参数的采集：改内容是属于旋转机械故障诊断的一个准备的过程，主要的工作就是采用相关的仪器测得机器各个设备的一些参数，比如转速、湿度、温度、压力、频率、流量、噪音等。采集相关参数所使用的仪器一般由基于不同的构造原理的传感技术制作成的传感器组成。通常所使用的传感器暴扣速度传感器、电涡流传感器湿度传感器和加速度传感器等，近年来随着科技的进步还有光导纤维、激光以及声发射等传感技术的被广泛应用到旋转机械故障诊断中。
（2）参数的提取与处理：通过上述的准备阶段即参数的采集结果中，提取与旋转机械的故障有关联的特征信息，并与政策状态的相应参数进行对比，可以有效地检测旋转机械的状态。一般对于旋转机械的轴承故障诊断过程中，使用较为广泛的分析方法是小波分析。而目前兴起的的方法如空间重构的GMD的数据处理方法也逐渐被用于较为复杂的机械如旋转机械的非线性振动中，可以为预测旋转机械故障的发展趋势提供有效的帮助。
（3）判断故障种类：经过之前两个阶段，得到了对于旋转机械故障所处的状态进行较为准确的识别，并为维修方案的决策提供理论依据。这个阶段需要进行的工作就是研究机器的相关参数及故障诊断中的应用技术，考虑不同传感器的优化配置的方案优劣性，通过发展信息融合技术、采用模糊诊断和神经网络的方法、经过小波转换分析、并通过在专家系统中的应用，最终能够对于旋转机械故障提供准确而可靠的诊断。
4结语
随着技术的发展，旋转机械故障诊断技术主要是通过考察所诊断机器的故障历史、根据相关参数的采集识别机器的实时状况，通过相关的分析方法来诊断旋转机械现有的故障情况，并预测其故障未来的发展趋势，从而为提供行之有效的维修方案提供理论及技术支持。旋转机械故障诊断技术是基于近代数学、计算机技术、机械自动化控制理论、信号处理技术及理论、仿真模拟技术、可靠性等理论而形成应用型技术。应用较为的广泛的旋转机械故障诊断的方法很多，如振动检测诊断法、温度检测法、声发射检测法、噪声检测法、油液分析法、人工神经网络、模糊数学分析法、专家系统以及粗糙集理论等都常见于旋转机械的故障诊断工作中。
参考文献
[1] 张全伟. 机电设备故障诊断技术浅析[J]. 商业文化(学术版), 2008,(06)
[2] 黄远春. 注意缺陷多动障碍的几种诊断方法比较[J]. 消费导刊, 2009,(05)
旋转机械故障诊断范文第2篇
Abstract: Mechanical fault diagnosis and monitoring plays an increasingly important position in industrial production. Once the machinery equipment, large-scale particularly equipment, occurred fault, it will cause very serious consequences. In order to improve the technological level and economic benefits of production equipment, the advanced device management, fault diagnosis and technical maintenance is extremely important to guarantee the safe operation of equipment. Enterprises must actively adopt methods to monitor the normal switch status of equipment.
关键词：转子不平衡；机械故障；故障诊断；偏心；松动；裂纹；碰摩
Key words: rotor unbalance；mechanical failure；fault diagnosis；eccentric；loose；crack；rub
中图分类号：TH17 文献标识码：A文章编号：1006-4311（2011）05-0035-01
0引言
为了提高设备的利用率，促进生产技术的进步，使得传统的手摸、耳听、振幅监测等维修方法和定期监测，已经不能够满足生产的需要。旋转机械的故障原因很多，故障的种类也很多。借助科学技术手段，监测转子的运行状态，以达到最终的维修目的，以是当下刻不容缓的任务。
1旋转机械故障的诊断及方法
诊断的方法分别是波形分析法、频谱分析法、相位分析、轴心轨迹分析法、转速跟踪分析法和瀑布图等。其中最基本的、最为有效的是频谱分析法。目前频谱分析法是在计算机上用快速傅氏变换来实现的，幅值谱的应用非常有效和普遍，它对诊断旋转机械的故障十分精确。在振动频谱上，不同的频率对应着不同的振动原因。了解了它们关系，故障因素就能很快地被排除，而将注意力可以集中在可能发生因素上。
2旋转机械故障的种类及原因
因安装质量的高低及长期的振动，转子系统在不平衡力的作用下，会引起支座的非线性振动，甚至会导致系统的刚性变化并伴有冲撞效应，因此引起机械故障。一般来讲，发生同频振动就可能是转子不平衡所生产的，如果产生高频振动可能是转子不对中所导致的;油膜振荡的频率在0.42-0.48n；如果伴有倍频或1/2n、1/3n等分数倍频就有可能是转子松动了。旋转机械非常复杂，频率分量与振动原因之间的关系也相当复杂。机械设备的振动基本上都是由转子不平衡引起的，表现在振动频率、振幅、振动方向、相位特征、轴心运动轨迹及振动与转速关系的变化上。
2.1 转子不平衡据统计资料考证，因不平衡而使旋转机械失效的约占30%，因此，不平衡是一种常见的故障。原因有：材质不均，制造精度差、如内、外圆不同心等；安装不良；配合松动；轴弯曲变形；旋转零件磨损、腐蚀、剥落、介质沉积不匀；旋转零件的断裂等。经理论证明，振动的激振频率为单一的工作频率，无其它倍频成分。
2.2 转子不对中轴承中心与转子中心不对中或者各转子的轴线不对中等常见典型故障，这也是多发性的故障之一。产生原因为：安装不良；地基下沉；轴承支座膨胀引起的变形等。频率的特征：根据实验研究的研究结果并结合理论，表明对刚性联轴器及齿轮联轴器，其径向激振频率除旋转频率fr（由角度不对中引起）外，主要以旋转频率的二倍频2fr或四倍频4fr为主，且伴有高次倍频心（n=6，8，…）。转子不对中相当于在联轴器端输入时给予的某种刺激，轴向振动频谱由其谐波及基频组成，基频具有峰值。
2.3 转子松动非线性的振动特征表明装配或基座松动，并伴有转子不平衡的特性。振动形式为径向垂直振动，激振频率除基频成分fr外，还伴有高次谐波成分3fr，sfr，7fr及分数谐波成分（0.3-0.5）fr。
2.4 油膜振荡油膜振荡和油膜涡动是常见故障，因为旋转机械在高速运行中大多用的是流体动压滑动轴承。油膜涡动由涡动力产生，使转轴除了自转外还绕中心进行公转。在共振的状态下，油膜振荡非常强烈，造成共振现象破坏力极大的，对高速旋转机械危害很大。转子的一阶自振频率为：当油膜涡动的特征频率约为旋转频率的一半，油膜振荡时其转速与涡动的频率无关。
3旋转机械故障的预测维修技术
从以上几种故障的振动频率中可以看出，一种频率特征可能对应着几种故障源。因此，在进行故障诊断和状态分析时，要尽可能地收集各种状态参数并进行统计和信号处理，根据获得的数据进行故障的诊断和分析。旋转机械约有70%的故障是由于转子不平衡引起的，因此机械不平衡的检测及分析是保证设备安全运行极为重要工作。如果能够对设备的运行状况进行在线的监测与诊断，做到“预知维修”，设备故障的诊断效率就会大大提高，并节约企业成本。在这方面，人工智能技术做了很大的贡献，尤其像专家诊断系统、模糊控制、人工神经网络以及知识工程等方面，都在诊断领域得到了发挥和应用，使故障诊断了智能化和自动化。故障诊断专家系统主要由知识库，数据库，人机交互界面，推理机组成，及其他处理模块为辅。应用故障诊断的专家知识和推理方法为实质作用，判断故障种类，采集数据，并找出相应的解决方法。确定故障的类型及部位。这并非是一件轻而易举的事，它是旋转机械状态监测中最复杂、最困难的一环，要正确地判断机器的故障类型及部位，首先，要了解机组的内部结构和工艺情况;其次，为每台机器建立档案，即原始数据库，它包括频谱、相位、波形、轴心轨迹、位移量等振动参数以及工艺操作参数。阶段性比较分析，注意振动信号的变化情况和趋势。再者，尽量多地捕捉振动信息，从频谱、轴心轨迹、相位和波形等多方面综合分析。
4结语
综上所述，旋转机械故障种类繁多，在将进行振动测试排除故障之前，要对偏心、松动、碰摩、裂纹等进行分析，并采取相应的措施以保证机器设备的正常运转。若以频谱分析法此作为检修的主要依据，那设备检修的计划性和目的性将大大增强，从而提高生产率。如建立专家系统，可实现机械设备的智能化自动化监测故障，预测维修，减少停机，保证设备的正常运行，降低维修人员的工作量。
总之，若判断一种故障时，可综合以上几种方法进行比较，建模求解，对故障进行合理的判断，并提供有用的数据，从而使生产厂家的效益大大增加并提高了设备的利用率。
参考文献：
[1]朱亮，向家伟，宋宜梅.旋转机械常见故障诊断的非线性动力学研究综述[J].装备制造技术，2010，（01）.
[2]吴轲，童敏明，童紫原，邓世建.旋转机械不平衡故障专家诊断系统的研究[J].煤矿机械，2010（09）.
[3]王宇飞，谢永鹏.旋转机械转子不平衡故障的诊断与分析[J].湖南工业职业技术学院学报，2009，（05）.
旋转机械故障诊断范文第3篇
关键词：旋转机械；故障诊断；方法
DOI：10.16640/ki.37-1222/t.2017.10.026
随着诊断技术研究的深入，可以实现故障诊断的方法越来越多，既有对前人研究成果的完善，也有一些原创性的研究成果相继被提出，根据各类方法在实现方式上的不同，可以大致将其分为三类，第一种是通过建立合适的模型进行故障诊断，这种方法在实际的生产应用中，往往由于设备结构复杂，无法构建精准的模型，即便可以获得合适的参数模型，其耗资也会相当大，所以实际应用可行性不大。第二种方法是结合人工智能技术的专家系统，在实际应用中这种方法得到了一定的肯定，但仍然存在知识获取不全面、针对性太强、智能水平低等问题，使得故障诊断结果可靠性不强。而模式识别是故障诊断中应用最为广泛的方法，且目前很多学者都认为基于模式识别的故障诊断有很大的进步空间。
1 旋转机械故障特点
旋转机械故障的故障特点与其他类型的机械故障存在一定的区别，且是机械设备中最为常用的一类，所以有必要对其进行单独的深入研究。旋转机械故障是指有转子系统的机械设备在运行过程中出现异常的工作状态，比如不正常的噪声、异常大的振动、温度急剧升高，或者其他指标不正常。旋转机械的结构复杂，故障发生具有一定的阶段性，并且部分故障的发生有一个渐进的过程，在进行故障诊断时，必须综合考虑多项因素，使得进行准确故障诊断的难度较大。
2 旋转机械故障检测方法
2.1 模式识别
经过多年的发展，模式识别己是故障检测的重要理论基础之一。近十几年来，模式识别技术在机械设备故障诊断领域的应用己经非常普遍，每年都有相关的改进方法被。在机器人模仿人类思考能力的研究领域上，模式识别方法一直占据着十分重要地位，在机械故障诊断方法中模式识别也始终是一个先进且富有挑战的探索方向。
随着计算机技术的迅速发展，各国在旋转机械故障诊断方面都取得了很大的进步，摆脱了传统依靠技术工人经验判断的主观臆断和不准确性，特别是这几年，计算机技术的发展使得各种更加完善的算法运行更为迅速，进而推进了旋转机械故障诊断的发展。
美国是最先研究机械故障诊断技术的国家之一，其诊断技术在很多方面都属于世界先进水平，目前美国从事故障诊断研究的机构主要有电子能源研究机构、西屋电气、Bently和CSI等公司。其中西屋电气是最早应用计算机网络的，该公司自己开发的汽轮机故障诊断软件可以对远程对多台机组进行诊断。而Bently公司在转子的动力系统和故障的诊断机理方面比较领先。
我国在机械故障诊断方面的研究起步相对较晚，技术也较为落后。刚开始主要以学习研究国外相关理论为主。直到80年代初期才逐渐有了自己研发的技术，在这个阶段，大型设备的出现和各项相关技术的发展也刺激了国人对旋转机械故障诊断技术的重视，也推动了该技术的自主研发。随着国家和企业对这项技术领域的投入逐渐增大，许多学者开始涉足这个领域，并对其进行大量的探索和实验，加上与国际交流合作，我国也开发出了一些在线监测与故障诊断的软件，这也很大程度上减小了与国际上相关先进技术的差距，但事实上，我国研究水平总体还是比较落后，故障诊断技术的可靠性还需要不断提升。
2.2 人工神经网络理论
1940年左右，有关应用人工神经网络的理论开始出现，经过多年的发展，它己经被引入到许多领域，比如，智能机器的控制、神经网络计算机的研发、算法的优化、应用计算机进行图像处理、模式识别、连续续语音的识别、数据的压缩、信息处理等领域，在实践应用中取得了很好的效果，作为一项新的模式识别技术和信息处理办法，人工神经网络的应用前景十分可观。
目前，使用人工神经网络进行故障诊断的方法有很多，最常用方法是：多层感知器神经网络、BP神经网络、自组织Kohonen神经网络、和径向基函数RBF（Radial Bases Function）神经网络，也有学者将人工神经网络与各种其他方法相结合的实例。在使用人工神经网络进行故障处理时，首先检查采集到的故障信息数据，剔除多余或者不合理的异常数据，再对有效数据进行归一化处理，预处理工作完成后即可将数据输入到神经网络中进行训练学习和故障识别过程。
2002年，王守觉院士分析传统模式识别方法的缺点，认为传统的BP神经网络和RBF神经网络都是假设特征空间中包括了所有的模式类别，要实现模式识别只需要找到最佳的特征空间划分方法，但事实上，任何一个特征空间中不可能包含所有的模式类别，特征空间中必然存在模式空白区域，就像人类对某些事物表现为不认识一样。认识到这一点后，王守觉院士提出了“仿生模式识别”这一概念，与传统的基于特征空间最佳划分的方法相比，仿生模式识别最为突出的特点就是，能构造封闭的、复杂的几何形体对各类样本进行覆盖，从而达到模式识别的目的。
2.3 仿生模式识别
自从仿生模式识别这一概念被提出以来，许多学者对其进行了深入研究，并将其应用到了人脸识别、车牌识别、语音识别、字体识别等领域。并取得了良的识别效果，例如：陆飞在其硕士论文中重点对仿生模式识别中的几何模型进行了深入分析，并用超香肠神经网络作为仿生模式识别的实现方法应用到了人脸识别中，取得了良好的实验结果；刘焕云等人将仿生模式识别应用到目标识别和跟踪方面，编写了自适应目标算法，与传统方法相比，跟踪识别效果有显著的提升；王守觉院士自己也对仿生模式识别算法进行了一系列的优化，先后提出了超香肠神经网络和多权值神经网络识别实现方法，并在文献中将基于仿生模式识别的多权值神经网络应用到连续语音识别中，与目前认可度最高的基于隐马尔可夫模型（HMM）的识别方法进行比较，表现出了显著的优势。
目前有许多的编程软件都加入了神经网络的功能，其中MATLAB软件最为方便实用，并且易于操作。它除了拥有对各种图形和数据进行处理的强大功能，其开发公司一一美国的MathWorks公司一一还专门在软件中开发加入了神经网络工具箱，全面包含了人工神经网络中常用的激励函数，例如线性函数（purline函数），感知器函数（（sigmoid函数）以及径向基函数（radbas函数），除了这些常用传递函数，还可以自定义相关的函数。各层网络之间的映射也有严格的设定，映射函数可自行设定。鉴于以上优点，本文采用MATLAB软件编写仿生模式识别的实现程序，以及机械故障信号的特征提取和网络测试。
参考文献：
[1]屈梁生.机械故障诊断理论与方法[M].西安：西安交通大学出版社，2009.
旋转机械故障诊断范文第4篇
关键词：LabVIEW；旋转机械；EMD；故障诊断
引言
近年来，虚拟仪器软件开发平台在机械设备领域的成功应用，对机械关键部件的人工智能化故障诊断起到推动作用。本文结合虚拟仪器设备和AIC9000转子试验仪器搭建平台，研究一套应用LabVIEW软件、MATLAB软件和EMD方法的旋转机械设备状态监测、分析系统。从实际工况出发，对设备监测故障预判有一定的指导作用。
1LabVIEW数据采集系统
试验台搭建：有AIC9000多功能转子试验台、布点8组传感器、调理信号组件和LabVIEW虚拟仪器设备。系统的程序设计基于NI-LabVIEW，实现对AIC9000转子设备及相关诊断仪器的改进设计，易于设备的升级和维护。AIC多功能转子系统和LabVIEW主机：Model:PXle-1078，PRODUCTOFMALAYSIA。
1.1搭建LabVIEW平台
将8通道传输接口与调理信号模块连接，数字采集卡、信号处理卡等模块化的PXI板卡插入虚拟仪器主机箱中，机箱连接显示器。
1.2LabVIEW软件程序设计
在程序框图窗口编程，程序汇编数据流设计包括通道设置定时设置触发设置信息采集分析设置记录设置等。数据流向即为LabVIEW软件程序执行的顺序，按箭头方向依次连接各程序框图节点，其中信号采集部分和分析部分是信号调理、振动诊断并分析等最为重要。
1.3DAQ数据采集程序
设计采用NI-DAQmx编程，常用数据采集VI有DAQmx创建虚拟通道VI、DAQmx读取VI、DAQmx写入VI、DAQmx定时VI、DAQmx触发VI、DAQmx开始任务VI、DAQmx清除任务VI等。
2经验模态分解法（EMD）
旋转机械相关的传统故障诊断方法准确度较低，结合经验猜测估计得出大概故障类型及部位。EMD方法是一种自适应较好的时频分析法，其基本思想是将原始振动信号分解成一系列IMF的组合，再根据实际需要，对各个IMF进行希尔伯特变换组成时频谱图进行分析。在虚拟程序系统的设计中，为提高故障信号的特征提取以及包络分析的准确性，应用HHT变换的EMD分解，将EMD程序以m.文件保存，并通过LabVIEW程序调用MATLAB软件的m.文件进行信号分析。
3LabVIEW系统信号分析
编程在设计系统时，结合了MATLAB软件强大的数学分析计算和图形绘制功能的优势，在LabVIEW编程时调用MAT－LAB命令。两种软件的嵌套使用强强联合，既进化了Lab－VIEW的复杂编程又发挥出了MATLAB在机械信号诊断分析方面的优势，提升计算速度。
3.1EMD的m.文件程序应用
MATlAB软件编写function函数语句functionplot_hht（x，imf，Ts）%PlottheHHT.，并在MATLAB软件中File>>Path…>>Folder，将其添加保存到MATLAB函数中。设置自适应的数据长度j和循环次数i等，结合使用for循环-if语句等实现IMF的分量提取。
3.2创建MATLAB脚本节点
程序设计使用了最为快捷的m.文件调用方法，即直接调用NI-LabVIEW2014软件中的MATLABScript节点。
3.3EMD在LabVIEW中的实现
使用本系统对AIC转子试验台进行智能分析，在齿轮箱中安装故障齿轮，针对齿轮故障产生的振动信号进行8分量的IMF分解。点蚀I和点蚀II两种故障的8组信号数据经过EMD分解的IMF1～IMF8结果；点蚀信号柱状图对比正常齿轮信号特征其故障直观、明显。
4结束语
LabVIEW平台具有有良好的扩展性，性价比较高，在科研和实际工程中得到了广泛的应用。从实际出发，根据旋转机械设备故障诊断的实际要求，构建LabVIEW软件平台，合理安装多传感器进行信号采集，运用虚拟仪器设计在线采集、分析、预测诊断。EMD方法、MATLAB软件与LabVIEW三者的结合，在诊断速度、分析准确性、程序设计的快捷性等方面都表现出了很强的优势，也将是未来的一个发展方向。
参考文献：
[1]胡劲松.面向旋转机械故障诊断的经验模态分解时频分析方法及实验研究[D].浙江大学，2003.
[2]程军圣，于德介，杨宇.EMD方法在转子局部碰摩故障诊断中的应用[J].振动、测试与诊断，2006，01:24-27+74.
[3]申永军，杨绍普，孔德顺.基于奇异值分解的欠定盲信号分离新方法及应用[J].机械工程学报，2009，45（8）：64-70.
[4]曲丽荣，等.LabVIEW、MATLAB及其混合编程技术[M].北京：机械工业出版社，2011.
[5]王迪.基于虚拟仪器的振动测试分析系统研究[D].重庆：重庆交通大学，2014.
旋转机械故障诊断范文第5篇
[关键词]故障诊断；电动机；频谱
中图分类号：TF341 文献标识码：A 文章编号：1009-914X（2017）02-0003-01
引言：在目前，我国大部分企业对于大型仪器进行维修与养护都在运用较为传统的方式与规划，更有甚者将设备一直处于事故维修过程中，应用此种方式是无法追上生产需求的以及对于现代社会节能环保的需求。比较大型的设备仪器有泵、发电机等一些含有成本大、运转速度快的特点，它的运行情况是决定企业生产效率与质量的直接因素。为了适应时代进步的脚步，出现了新兴的故障诊断技术，利用旋转机械来对其进行诊断，具体如下。
一、旋转机械故障诊断的特点以及理论概述
（一）旋转机械故障诊断的理论
旋转设备的核心功能就是依据各个旋转部件来实施的，最P键的部件是转子。一些旋转设备发生故障时会伴有异常声响，它的振动信号在频域和时域上都能体现出机械发生的故障。可以通过振动检测器来其实际运行进行检测，通过对信息的分析、收集等趋势来看，发生故障的具置与原因，可以对故障进行有效避免，进而将其故障扼杀在摇篮里。依据发生故障的原因以及导致故障发生的因素，可以对其进行分析，其主要原因有安装发生不到位、设计欠缺、机械外框发生形变等。
（二）旋转机械故障诊断的特点
因为旋转机械的中心是转子，它是由各个零件拼凑而成的。因其转子高速运转，对于零件在制造、调试、维修等方面都有着极高的要求。无论在运转中任何零件发生问题，都会造成机器异动，就会使机组产生较大的振动。基于转子为中心的四周发生振动，大部分故障都是因为振动而引发的，是重点研究对象。
二、结合振动分析诊断旋转机械设备的故障
（一）仪器松动
仪器发生松动是旋转机械发生最普遍的故障，松动分为两种，一是螺栓松动，它会引发整个仪器都松动；二是构件配合之间发生松动，比如内圈与转轴、滚动与轴承等，因此造成配合精度减小。因为松动而引发的振动是非线性的，它的信号频率非常复杂，刨除基频，还会产生分频波动，进而造成旋转机器故障。
（二）转子不平衡
转子不平衡带来的而影响是巨大的，因其是核心组成部分，引发的故障也是十分常见的。对于转子发生不平衡原因有材料的不合格、长时间损耗以及配件偏离中心，或是固件松动引发附着物堆积等因素，都是致使转子发生不平衡的原因以及质心出现偏移。不平衡分为两种模式，一是动不平衡，二是静不平衡。在发生不平衡时它的振率相较于平时会有极大的不同，主要对转子旋转的频率进行观察即可。另外，发生不平衡振动以后会连带着其他构件的频率。产生不平衡振动的原因有三种，其中包含了转子的速度、转子的质量以及偏心距。转子在旋转过程中会产生一个力即为离心力，离心力的功能就是支撑轴承，其方向是与轴承垂直的。在进行故障诊断时，一定要将其以上因素进行深入分析。
（三）摩擦
摩擦带来的故障模式也是五花八门的。比如转子与密封件之间、定子之间、隔板之间的摩擦，在旋转机器任何两个部件之间发生摩擦都会造成零件松动，进而引发故障。一般情况法伤摩擦之后就会发生非线性振动，它连带的范围比较广，不仅仅有一倍基频，还有二倍、三倍等。在特定的状态下还会出现系统的固有频率。
（四）转子不对中
转子不对中对于产生故障的几率非常大，其中包含转子同转子，主要在联轴器的对中性上表现出来。对于滑动的轮轴来讲，产生这种状况的原因是在轴承之间缺乏一个油膜。对于滚动的轮轴来说主要原因在于轴承的构建发生损坏，支座变形等原因，都会造成转子不对中的情况发生，如果转子不对中的话，就会使旋转机械发生玩弯矩，对于轴承增加一分附件力导致负荷要重组，而产生强烈振动，基于此来造成机械发生故障。
三、旋转机械故障诊断的实际应用
例如，某一炼钢厂的电动机，具有很强的驱动器，利用驱动器运作来带动轴承运作，以便维持电动机正常工作，它的整合机组是作用于一个基座上的，其电动机的型号是JK850-2，它的功率、转速、频率分别为850kW、2970r/min、50Hz，儿它的频率合成器的型号是GST50，煤气风机的型号为D1000-11，它最低的速度与高速分别为750r/min、2970r/min，对于炼钢过程中对其工艺进行吹氧时，它才会处于高速状态，要不然一直是保持低速。
（一）测量振动值分析
某炼钢厂通过对于振动值的测量，进而测量出电动机的振动数据，基于标准体系下，测点的大小是由测出的点值决定的，如果它的点数大就说明它的振动有异常，这个钢厂的数据显示它的振动幅值在29768μm，通过分析得知他的能量主要集中在低频阶段，当能量最大时也不过是约为0.1倍频，其余的频率分布的能量比较低。通过钢厂的振动幅采样值为31.6μm，对其分析能量主要集中在一倍基频、二倍基频，但是对其进行采频的时间间隔比较小，所以会发现有很大的跳动值，主要原因是因为转子的不对中与不平衡所引发的，并且振动的幅值在变化上不是特别大。
基于振幅数据来进行初步判定，此电动机是存在问题的，但在实际进行测量时，会发现振动力度并不大，是处于正常状态的，为了加大检查力度，参考电动机的转速非常快，就依据正常速度幅值与加速度幅值来体现振动值的多少。
（二）分析诊断
基于频谱分析，我们便会得知，主要能量在低频阶段，通过总结会发现问题出现在电动机的后端轴承部分。结合多种类型的故障对其特性进行分析、归纳，对其作业现场的仪器、工作环境等因素，对引发振动的因素进行一个预估，可能使因为转子或是摩擦的问题导致的异常振动，具体的原因可能是出现在了轴承部分发生松动致使的振动异常。待机器停止运作之后，对其进行开盖检查，经过核实发现确实是因为轴承内圈发生损坏而导致的振动异常。
结束语
对于旋转机械的故障判断工作是十分麻烦的，因为仪器的种类是多样的，出现故障时不可避免的。在实际应用中，机械常识振动的原因有很多，在对数据进行一一收集，之后对其进行深入分析，才会找出问题所在，为维修提供依据，进而增加机械的应用效率，降低发生故障的几率，延长设备的额运用时间，最终实现安全、节能的目的。
参考文献
[1]苏曦.数据挖掘技术在机械设备故障诊断中的应用[J].自动化与仪器仪表，2015，（01）：127-128+130.
[2]温勇.煤矿机电设备管理中机械故障检测诊断技术的应用分析[J].机电信息，2013，（06）：107+109.
[3]胡志湘，梅通友.状态监测技术在旋转设备故障诊断中的应用[J].设备管理与维修，2012，（04）：48-51.
旋转机械故障诊断范文第6篇
关键词：LabVIEW；旋转机械；EMD；故障诊断
中图分类号：TH164 文献标志码：A 文章编号：2095-2945（2017）19-0052-02
引言
近年来，虚拟仪器软件开发平台在机械设备领域的成功应用，对机械关键部件的人工智能化故障诊断起到推动作用。本文结合虚拟仪器设备和AIC9000转子试验仪器搭建平台，研究一套应用LabVIEW软件、MATLAB软件和EMD方法的旋转机械设备状态监测、分析系统。从实际工况出发，对设备监测故障预判有一定的指导作用。
1 LabVIEW数据采集系统
试验台搭建：有AIC9000多功能转子试验台、布点8组传感器、调理信号组件和LabVIEW虚拟仪器设备。
系统的程序设计基于NI-LabVIEW，实现对AIC9000转子设备及相关诊断仪器的改进设计，易于设备的升级和维护。AIC多功能转子系统和LabVIEW主机：Model：PXle-1078，PRODUCT OF MALAYSIA。
1.1 搭建LabVIEW平台
将8通道传输接口与调理信号模块连接，数字采集卡、信号处理卡等模块化的PXI板卡插入虚拟仪器主机箱中，机箱连接显示器。
1.2 LabVIEW软件程序设计
在程序框图窗口编程，程序汇编数据流设计包括通道设置定时设置触发设置信息采集分析设置记录设置等。数据流向即为LabVIEW软件程序执行的顺序，按箭头方向依次连接各程序框图节点，其中信号采集部分和分析部分是信号调理、振动诊断并分析等最为重要。
1.3 DAQ数据采集
程序设计采用NI-DAQmx编程，常用数据采集VI有DAQmx创建虚拟通道VI、DAQmx读取VI、DAQmx写入VI、DAQmx定时VI、DAQmx触发VI、DAQmx开始任务VI、DAQmx清除任务VI等。
2 经验模态分解法（EMD）
旋转机械相关的传统故障诊断方法准确度较低，结合经验猜测估计得出大概故障类型及部位。EMD方法是一种自适应较好的时频分析法，其基本思想是将原始振动信号分解成一系列IMF的组合，再根据实际需要，对各个IMF进行希尔伯特变换组成时频谱图进行分析。
在虚拟程序系统的设计中，为提高故障信号的特征提取以及包络分析的准确性，应用HHT变换的EMD分解，将EMD程序以m.文件保存，并通过LabVIEW程序调用MATLAB软件的m.文件进行信号分析。
3 LabVIEW系统信号分析编程
在设计系统时，结合了MATLAB软件强大的数学分析计算和图形绘制功能的优势， 在LabVIEW编程时调用MATLAB命令。两种软件的嵌套使用强强联合，既进化了LabVIEW的复杂编程又发挥出了MATLAB在机械信号诊断分析方面的优势，提升计算速度。
3.1 EMD的m.文件程序
应用MATlAB软件编写function 函数语句function plot_hht（x，imf，Ts）% Plot the HHT.，并在MATLAB软件中File>>Set Path…>>Add Folder，将其添加保存到MATLAB函数中。
设置自适应的数据长度j和循环次数i等，结合使用for循环-if语句等实现IMF的分量提取。
3.2 创建MATLAB脚本节点
程序设计使用了最为快捷的m.文件调用方法，即直接调用NI-LabVIEW2014软件中的MATLAB Script节点。调用步骤为：在程序框图右击鼠标，执行all functions> > analyze> > mathematics> > formula> > matlab script操作，在程序框图中拖拽鼠标建立一个大小合适的MATLAB脚本节点，右击鼠标，设置程序框图输入和输出变量的数量，然后调用EMD程序代码的m.文件，最后完成连线。MATLAB脚本文件的创建图如图1。
3.3 EMD在LabVIEW中的实现
使用本系统对AIC转子试验台进行智能分析，在齿轮箱中安装故障齿轮，针对齿轮故障产生的振动信号进行8分量的IMF分解结果如图2所示。
从图2中可以看出点蚀I和点蚀II两种故障的8组信号数据经过EMD分解的IMF1～IMF8结果；点蚀信号柱状图对比正常齿轮信号特征其故障直观、明显。
4 结束语
LabVIEW平台具有有良好的扩展性，性价比较高，在科研和实际工程中得到了广泛的应用。从实际出发，根据旋转机械设备故障诊断的实际要求，构建LabVIEW软件平台，合理安装多传感器进行信号采集，运用虚拟仪器设计在线采集、分析、预测诊断。EMD方法、MATLAB软件与LabVIEW三者的结合，在诊断速度、分析准确性、程序设计的快捷性等方面都表现出了很强的优势，也将是未来的一个发展方向。
参考文献：
[1]胡劲松.面向旋转机械故障诊断的经验模态分解时频分析方法及实验研究[D].浙江大学，2003.
[2]程军圣，于德介，杨宇.EMD方法在转子局部碰摩故障诊断中的应用[J].振动、测试与诊断，2006，01：24-27+74.
[3]申永军，杨绍普，孔德顺.基于奇异值分解的欠定盲信号分离新方法及应用[J].机械工程W报，2009，45（8）：64-70.
[4]曲丽荣，等.LabVIEW、MATLAB及其混合编程技术[M].北京：机械工业出版社，2011.
旋转机械故障诊断范文第7篇
【关键词】人工智能；旋转机械故障诊断
旋转机械在工业生产中是应用最广泛的机械设备。其本身种类繁多，比如在发电机、压缩机、电动机、汽轮机、风机等机械设备中都应用了旋转机械，而这些机械设备又是电力、航空、石化、冶金、核能、煤炭等行业中的关键设备，机械年伴随科学技术的不断发展，旋转机械正朝着大型化、高速化、集成化等方向发展。然而，一个很小的故障都有可能引起连锁反应从而使整个设备的生产可靠性下降、稳定性降低、生产能力丧失，以致造成更大的机械故障，甚至发生重大事故，并导致重大经济损失。我国大力开展关于旋转机械故障诊断领域的研究，其目的在于能够提高大型旋转机械设备的产品质量，同时减少机械故障引发的事故，已取得了显著成效，获得了巨大的经济效益。
一、旋转机械常见的故障类型
旋转机械常见的故障类型有不平衡、不对中、弯曲、松动、裂纹、碰摩、油膜涡动、喘振、油膜振荡和旋转失速等，当然，每类机械故障都具有各自产生的原因和特征表现，而且不同的故障类型发生的概率也不各异。
（一）不平衡
不平衡是旋转机械设备中最为常见的故障之一。其产生的主要原因为旋转机械设备的转子由于受到材料的质量分布如铸件中有砂眼、气孔、加工的误差、装配因素及运行中的不均匀磨损、冲蚀或沉积等因素的影响，或者是某些固定部件松动所造成部件的不平衡，致使其质量中心与旋转中心存在着一定程度的偏心距。偏心距较小时，就不能表现出静不平衡的特征，但是当转子旋转时，将表现为一个与转动频率同步的离心力，从而激发转子的振动，称其为动不平衡。不平衡振动的频率特点是不平衡转子的故障频率等于转子的旋转频率。
（二）松动
机械松动也是机械故障中常见的故障。松动性机械故障泛指轴承座松动、支座松动、螺栓松动、叶轮和转子轴松动以及轴承装配过盈不足所引起的故障。松动主要一下两种情况，一是地胶螺栓连接的松动，会引发机器的振动、联轴节的偏移、轴承的摩擦损伤等故障。另外一种情况是零件与零件之间由于存在着间隙，并且超过了正常范围而引起了松动，失去了设备各个零件之间的配合精度而造成了松动。同时，垂直方向上的振动明显大于水平方向上的。其振动信号除了存在基频还会产生高次谐波以及分频振动。
（三）油膜振荡
油膜振荡是一种高速滑动轴承所特有的故障。它是一种由油膜力产生的自激振动，当转子发生油膜振荡时的能量很大，可以导致旋转机械系统损坏。
（四）裂纹
当机械设备出现裂纹时，会引起旋转机械的故障。发生裂纹时，其基频分量的分散度较大。在恒定的转速下，其基频、二倍频、三倍频等各阶分量的幅值及相位不稳定，其中二倍频较突出。
二、旋转机械故障诊断常规流程
旋转机械故障诊断的常规流程一般分为信号的检测与采集，信号的分析与处理，故障的推理，管理与控制。其中，信号的检测与采集是故障诊断的基础部分，信号的分析与处理则是诊断过程的关键，故障的诊断推理是整个流程的核心，最后的管理与控制是整个故障诊断过程所要达到的最终目的。
信号的分析与处理是机械故障诊断技术当中核心技术之一，也是我们研究的重点之一。信号的分析与处理实际上指的是对旋转机械故障信号的特征量提取，其中包括有数字信号处理、时间序列的分析、信息理论、图像识别技术、应用数学等现代信息处理相关技术。
故障诊断推理就是通过将上述提取得到的特征量与先前已经知识建立起来的对应关系，来确定故障的性质、类型、部位以及原因，预测故障的发展趋势的技术。是旋转机械故障诊断技术的核心。
管理与控制则是整个诊断过程的最终目标，由人工来完成。
三、基于人工智能的故障诊断研究
基于人工智能的故障诊断研究主要分成三类基于专家系统的故障诊断、基于人工神经网络的故障诊断、基于支持向量机的故障诊断。
（一）基于专家系统的故障诊断
基于专家系统的诊断方法的主要特征为可以方便的把操作人员的诊断经验用规则表示出来，知识可以用符号来表示，适合用来模拟人的逻辑思维过程，同时，在已知的基本规则下，不需要大量知识，还能允许在知识库中增加、删除及修改某些规则，从而确保专家系统的有效性和实时性。在冗杂的故障诊断中，大型的专家系统还会出现推理速度慢以及组合爆炸的问题。这些缺陷大大限制了专家系统在实际生产中的应用。
基于专家系统的故障诊断总体可以分为基于浅知识规则的专家系统和基于深知识模型知识的专家系统这两个阶段。专家系统是一种基于知识的人工智能的诊断系统，其实质是一种人工智能的计算机程序，它应用了大量人类专家的知识及推理方法来求解复杂的实际问题。
（二）基于人工神经网络的故障诊断
神经网络具备可学习性和并行计算能力，能够实现分类、自组织、联想记忆和非线性优化等功能，它是通过试图模拟生物神经系统而建立的自适应非线性动力学系统。在故障诊断领域中使用神经网络，可以解决诊断推理和趋势预测问题。一旦输入特定的设备状态模式，则经过大量标准样本学习的故障诊断系统网络将会通过各个神经元之间的互连与权值构成的大规模非线性并行处理模式来进行计算，从而实现隐含的专家知识的应用，最终得出诊断推理结果。
旋转机械故障诊断范文第8篇
关键词： 旋转机械； 故障分析； 诊断； 局限性
中图分类号： TH165 文献标识码： B 文章编号： 1009-8631（2013）01-0038-01
1 引言
旋转机械如：汽轮机、发电机、离心压缩机、风机等，是工业部门中应用最为广泛的一类机械设备，在电力、能源、交通、国防及石油化工等领域发挥着无可替代的作用。随着科学技术的发展，旋转机械正在向大型化、综合化（在同一台设备中多种技术的应用）、连续化（从投料到产品整个过程的连续化）、自动化（操作、检测等的非人工化）、严格化（如技术指标严格化）的方向发展，造成设备构造复杂，零部件之间的联系更加紧密。在设备复杂化的同时，发生故障的潜在可能性和方式也在相应增加，且故障一旦发生，就可能引起连锁反应，导致设备甚至整个生产过程不能正常运行乃至破坏，轻则造成巨大的经济损失，重则导致灾难性的人员伤亡和社会影响。近年来，国内外因设备故障而引起的灾难性事故仍时有发生，如2003年，国内某钢铁企业高线初轧机因一齿轮箱主输出轴轴承破碎，造成设备紧急停机68小时，直接经济损失1500万元以上。2001年阜新电厂2号机组断轴事故的发生，给电厂带巨大的经济损失。1988年我国秦岭电厂ZooMW汽轮发电机组因振动引起的断轴毁机事件。灾难性事件的不断发生，使人们认识到对大型机械装备实施在线监测与故障诊断的必要性。
2 现行故障识别与诊断分析方法简介
当前，故障识别与诊断决策过程中采用的方法较多，按照它们隶属的学科体系，大体可分为三类：基于控制模型故障诊断、基于模式识别故障诊断及基于人工智能故障诊断。它们具体的诊断方式如下：
2.1基于控制模型的故障诊断。对于一个旋转机械系统，若通过理论或实验方法能够建立其模型，则系统参数或状态的变化可以直接反映该系统及其动态过程，从而为故障诊断提供依据。基于控制模型的故障诊断方法主要涉及到模型建立、参数与状态估计和观测器应用等技术。其中，参数与状态估计技术是该方法的关键"参数估计的参数包含两类：第一，系统参数，即描述系统动态特性的参数。基于系统参数估计的故障诊断方法与状态估计方法相比较，前者更有利于故障的分离，但是它也存在不足之处：求解物理元件参数很困难；系统故障引起系统模型结构和参数变化的形式是不确定的，目前还缺少有效的方法。第二，故障参数，即用于描述系统出现的故障时信号自身特性的参数。其基本思想是：对故障系统构造适当形式的包含有可调参数的状态观测器，并使其处于零状态"当系统发生故障时，用观测器中的可调部分来补偿故障对系统状态和输出的影响，使得观测器在系统处于故障状态下仍然保持零状态观测误差，此时观测器中可调部分的输出即为故障参数的估计结果。使用该方法的优点是可对故障信号进行在线建模，但是当系统出现强非线性时，目前仍无有效算法。
2.2基于模式识别的故障诊断。故障诊断实质上是利用被诊断系统运行的状态信息和系统的先验知识进行综合处理，最终得到关于系统运行状况和故障状况的综合评价过。如果事先对系统可能发生的故障模式进行分类，那么故障诊断问题就转化为模式识别问题。当系统的模型未知或者非常复杂时，模式识别则为解决故障诊断问题提供了一种简便有效的手段。基于模式识别的故障诊断方法主要分为统计模式识别和句法模式识别两大类，它们在旋转机械故障诊断领域中得到广泛应用。基于BayeS分类器的统计模式识别法是旋转机械故障诊断中一种经典方法。
2.3基于人工智能的故障诊断。基于人工智能故障诊断的研究主要分为两类：基于知识（符号推理）的故障诊断和基于神经网络（数值计算）的故障诊断。首先，基于知识的故障诊断大致包含两种情况：基于浅知识的专家系统和基于深知识的专家系统。前者是以领域专家和操作者的经验知识为核心，通过演绎推理来获取诊断结果。其特点是利用领域专家的知识和经验为故障诊断服务，但是这种方法具有较大的局限性，如知识集不完备，过于依赖领域专家等。而后者则要求诊断对象的每一个环节具有明确的输入输出表达关系，诊断时首先通过诊断对象的实际输出与期望输出之间的不一致，生成引起这种不一致的原因集，然后根据诊断对象领域中的第一定律知识（具有明确科学依据知识）及其内部特定的约束关系，采用一定的算法，找出可能的故障源。它比前者具有更大的优越性，但其搜索空间大，推理速度慢。其次，基于神经网络的故障诊断作为一种自适应的模式识别技术，人工神经网络以其全新的信息表达方式、高度并行分布处理、联想、自学习及自组织等能力和极强的非线性映射能力使它渗透到科学技术的各个领域。人工神经网络在机械故障诊断中的应用主要集中在三个方面：一是从模式识别角度应用神经网络作为分类器进行故障诊断；二是从预测角度应用神经网络作为动态预测模型进行故障诊断；三是从知识处理角度建立基于神经网络的诊断专家系统。如采用径向基函数网络、概率神经网络和自适应特征映射网络作为分类器对旋转机械故障进行研究。
3 现行故障信号诊断分析方法的局限性
大型旋转机械在运行过程中易受到噪声、速度突变、结构变形及摩擦的变化等因素影响，尤其是在发生故障的情况下，从机械设备测得的振动信号往往表现出非线性非平稳特征，深入考虑目前用于旋转机械振动信号处理的前述方法，对于全面提取旋转机械振动特征信息而言仍然存在着一定的局限性：首先FFT谱分析仅反映了振动信号整体的统计特性，频谱中无法体现非平稳时频细节，且频谱分辨率受到限制；其次、ARMA时序模型虽然可以推广应用于某些非线性、非平稳振动信号的特征提取，但应用中建模复杂、阶数选择和计算量之间矛盾等问题，制约了该方法的实用性，不宜在大型旋转机械状态监测和故障诊断中应用；对于短时傅里叶变换通过对信号的分段截取来处理时变信号，是基于对所截取的每一段信号认为是线性、平稳的。因此，严格地说，短时傅里叶变换是一种平稳信号分析法，只适用于对缓变信号的分析；最后，小波变换虽然在机械故障诊断领域得到了成功应用，但由于存在小波基等参数的选择敏感性、非自适应性等特点，制约了小波变换的应用性能。此外，小波变换本质上是窗口可调的傅立叶变换，其小波窗内的信号则视为平稳状态，因而没有摆脱傅立叶变换的局限。
参考文献：
[1] 于德介，陈森峰等.一种基于经验模式分解与支持向量机的转子故障诊断方法[J].中国电机工程学报，2006.
旋转机械故障诊断范文第9篇
[关键词]旋转机械 故障诊断 集合经验模式分解 模式混淆
中图分类号：TG126 文献标识码：A 文章编号：1009-914X（2015）47-0006-01
引言：在现代农业、工业生产中，水轮发电机旋转机械轴承部件为不可或缺的重要部分，一旦出现设备故障，可能会造成巨大的损失，甚至危害到使用人的生命。因此，旋转机械的故障诊断技术备受重视。当旋转机出现了故障时，其表现出来的振动信号多为非线性、非平稳特性。此类信号无法反映故障本质的时频局部化特征，传统手段检测出的结果往往充斥着虚假谐波，没有参考意义。今年提出一种集合经验模式分解方法，能够有效的抑制模式混淆，更好的还原信号本质，现在现有的EEMD算法基础上做一些更深层次的探讨。
一、 EEMD的基本原理
概括来说，EEMD是根据如下两个观点提出的：
（1）在多次试验叠加的情况下，相同幅值水平下的随机高斯白噪声能相互抵消，只有最原始的信号真正包含的有效组分能够在多次加噪后的分解保留下平均结果；
（2）为了使EMD能够从足够多的尺度分析出信号中的部分信息，多次试验后，添加适度的随机高斯白噪声。但因为信号中原有的时间跨度都会因为不同的噪声引入而改变，EMD却是自适应的，即使再改变，也能重新感知信号，通过对同一组分多次数多角度的“翻译”，综合后得到的平均 IMF应该是对信号中各组分更全面的体现，相比之下，EEMD 输出的 IMF 包含了更准确、更有本质意义的信息，是被翻译对象内在本质的较真实的体现。
二、EEMD的参数设置
EMD其实就是EEMD的内核，因此，EEMD具有EMD的所有优点。但与EMD不同的是，EEMD在使用时有两个参数需要设置，即是算法在执行EMD的总次数为M，信号中被添加的高斯白噪声序列幅值系数为K。添加的高斯白噪声幅值系数K越小，就对分解时结果的精度影响越大，但如果K太小，有可能不足以引起信号局部极值点的变化，就不能改变信号的局部时间跨度，就不能尽可能多的了解信号。同样的，如果M越大，e也会减少到忽略不计，而且计算负担会增加。几百次的EMD分解时间较长，所以K用输入信号xt的标准倍偏差乘以一个分数的量来定义比较合适，这样即是当M为几百次的时候，残留的噪声所引起的误差还会保持在较低的水平。同时，在噪声水平合适的条件下，只是一直的增加执行次数所带来的结果精确度并无太大差别。反过来如果在一定幅度内增加噪声水平对结果的影响也是微乎其微，而且如果噪声太大就完全掩盖了信号的本质特征，失去了分解信号的意义。
三、 仿真实验
仿真信号St 采样频率为1kHz，采集512点，由频率7.8125Hz的正弦波S2、同周期发生的高频三角脉冲函数S1以及趋势项S3一起组成，如图1，其中纵轴为幅值，横轴为时间。
图2、则为EEMD算法所分析出的结果，其参数M=100，k=0.01倍的信号St的标准差。但由于EMD还是EEMD的核心，所以分解出的IMF个数相同。此时比较S1与图3中的c1，两者几乎是一致的，这说明了EEMD成功的分离出了源信号的异常部分，就是三角衰减脉冲部组分。而c2的波形又很好的证实了EEMD理论可行的依据。在多次试验后，由于每次都引入不同的噪声，最终可以通过M次平均还原出c2的概貌，能够表现出幅值很小的正弦走势，符合特征。总的来说，EEMD确实能够在保证质量的情况下还原出St中的各个组分，十分高效的抑制了模式混淆的发生，与EMD相比更优越，更高质量。其中纵轴为幅值，横轴为时间。
四、 结论
通过引入EEMD算法来处理旋转机械故障，并通过仿真实验的实例，比较了EEMD和EMD与高频谐波法分解信号的质量，深刻讨论了EEMD的执行原理，也分别阐述了分解结果的意义。可以证实：EEMD确实可以有效的抑制模式混淆现象，分解信号后所得到的IMF分量更加真实有效，能够更好的反应信号所蕴含的本质信息，唯一缺点是耗时较久，但是与其他两种方法相比较为优越，能够为检测旋转机械故障提供有力的保障，具有非常高的应用价值。文中讲述的EMD方法已经采取了措施来降低端点效应的影响，从而避免了其他因素对结果造成不可预知的干扰。总而言之，文中提出的关于EEMD在农业机械诊断、旋转机械故障诊断的工作中起到了深远的、积极的推动作用，对相关研究的更深入开展有着巨大的帮助和深远的影响，具有非常大的参考价值。
参考文献：
[1] 张超.基于自适应振动信号处理的旋转机械故障诊断研究[D].西安电子科技大学，2012.
[2] 钟先友.旋转机械故障诊断的时频分析方法及其应用研究[D].武汉科技大学，2014.
[3] 陈冬娣.基于小波变换与经验模态分解的电机转子振动信号处理方法的研究[D].南京师范大学，2013.
旋转机械故障诊断范文第10篇
中图分类号:TN919-34文献标识码:A
文章编号:1004-373X(2010)18-0141-02
Fault Diagnosis of Rotary Machines Based onRBF Neural Network
WANG Qing-hua1, WANG Jing-tao2, DENG Dong-hua3
(1.School of Mechatronic Engineering, Xi’an Technological University, Xi’an 710032, China;
2.Guangxi Petrochemical Company, Qinzhou 535008, China; 3. China Petroleum Pipeline Engineering Corporation, Langfang 065000, China)
Abstract: Aiming the mapping complexity between fault symptoms and fault patterns of rotary machines, and the problems of falling easily into part minimums and low velocity of convergence in BP neural networks, a fault diagnosis method of fan based on Radial Basis Function (RBF) neural network is put forward. Making the seven frequency bands peak energy of vibration signals of a fan as fault symptoms, RBF network is trained to diagnose a fan, the results show that RBF network is a valid method of the fault diagnosis of fan in proving accuracy, repressing the network to sink local minimum and shortening the study time.Keywords: RBF neural network; fault diagnosis; fan; fault features
0 引 言
随着旋转机械大型化、自动化、高速化和复杂化的发展,其运行的可靠性和安全性日益受到重视,对其进行可靠、准确的故障诊断是石油、化工、冶金、矿山、机械等各行业安全生产的重要保障。设备故障诊断其实就是故障设备运行状态的辨识,即对运行状态进行分类识别,判断设备有无故障,如果有,则要进一步判断故障属于哪一类,所以设备故障诊断实质上是一个模式识别问题[1]。学习机器是实现模式智能识别的最主要手段,训练或获得学习机器的方法称为机器学习方法。机器学习方法是在一个由各种可能的函数构成的空间中寻找一个最接近实际分类函数的分类器。在设备故障诊断中,故障征兆与故障模式并不是简单的一一对应的关系,其构成的故障特征空间比较复杂,常常不是线性可分的,有时甚至是完全不可分的。而学习机器中神经网络能够映射任意复杂的非线性关系,具有自学习、自组织、自适应等特性,并且具有极强的容错和联想能力、较快的计算速度,所以神经网络被广泛用于机械故障诊断识别中[2]。
BP(back propagation)神经网络是目前故障诊断领域应用较多的一种网络。但BP网络采用的是梯度下降的搜索算法[2-3],这就不可避免地出现了网络收敛速度慢、容易陷入局部极小,并且BP网络学习结果受初始权值分布影响较大,结果不稳定等问题。RBF(radial basis function)网络可以避免陷入局部极小的可能,并且学习速度快。所以本文将径向基神经网络用于旋转机械实现故障诊断。
1 RBF神经网络
RBF网络是一种多层前馈神经网络[4-5],结构与BP网络相同,如图1所示。输入层到隐层为权值为1的固定连接,隐层到输出层为权值为W的线性链接。隐层神经元基函数常采用高斯型径向基函数。
隐层函数:φr=exp-X-cr22σ2r,r=1,2,…,R
输出层函数:ym=f(x)=∑Mm=1Wmrφr
式中:cr为第r个隐层节点的数据中心;σr是第r个隐层节点的数据方差;Wmr是隐层到输出层的连接权,X是神经网络输入向量。
径向基神经网络算法步骤如下:
(1) 从输入向量中选一组初始中心值cr,初始化连接权值Wmr。
(2) 计算方差值σ=dmax/R;dmax是最大的距离;R是cr的数量。
(3) 计算网络输出ym=f(x)=∑Mm=1Wmrφr。
(4) 计算网络误差并判断是否收敛。
(5) 若收敛,训练结束。
(6) 否则,更新网络学习参数cr,σr和Wmr,并转到步骤(2)。
图1RBF神经网络结构示意图
网络学习参数的更新公式如下:
cr(n+1)=cr(n)+μce(n)Wmr(n)φr(n)σ2r(n)
σr(n+1)=σr(n)+μσe(n)Wmr(n)φr(n)σ2r(n)
Wmr(n+1)=Wmr(n)+μWem(n)φr(n)
em(n)=ym(n)-dm(n)
式中:dm(n)为样本目标输出;μc,μσ,μW是3个学习参数的学习步长。
2 风机故障样本组织
风机的故障常从振动状况表现出来,因此采用振动信号进行监测与诊断是目前风机设备管理和维护的重要手段[6-8]。风机的常见故障有质量不平衡、转子不对中、轴承座松动、油膜涡动、油膜振荡、喘振、轴裂纹、旋转失速等故障[9-10]。
利用振动信号进行时域或频域分析,从中提取可以反映故障模式的征兆信息,用于学习机器的训练,获得训练好的学习机器以用于对风机故障的智能诊断与识别。其中,风机的振动信号在频域内的能量分布具有比较明显的特点,因此,可以采用5段谱、7段谱或9段谱特征作为主要的故障征兆。在此采用7段谱的能量峰值作为故障征兆,表1列举了6种典型故障在7段频谱中的特征。表中样本的网络输入均为归一化后的数据,网络目标输出设置为对角矩阵格式,如表1中最后一列所示。
表1 风机常见故障模式样本
故障样本0~0.4 f0.4~0.5 f0.5~0. 9 f1 f2 f3~5 f>5 f目标输出
不平衡0000.90.050.050000001
不对中0000.30.60.100000010
油膜振荡0101000000100
油膜涡动0.10.80.11000001000
喘振0.80010.20.30.2010000
松动0.900000.10100000
3 基于RBF神经网络的风机故障诊断
采用RBF神经网络进行风机故障诊断,只需向系统输入待诊断信号的特征量,系统就自动判断故障类型,可大大减轻故障诊断人员的工作量。
在RBF网络进行工作以前,首先需要组织一定数量的训练样本对RBF网络进行训练,训练好的RBF网络的数据中心cr,方差σr和连接权Wmr保持固定。这时RBF网络就可以进行工作了,当待识样本的故障征兆与记忆中的某个对应故障特征相近时,神经网络输出其对应故障模式。在本例中,RBF网络输入层、隐层、输出层的神经元节点个数分别为7-6-6;最大循环次数设置为5 000,训练误差为0.000 1,隐层节点个数为复为试选后根据学习速度与学习准确率而选择的。需要强调且注意的是样本特征在输入RBF神经网络之前必须进行归一化,以避免因为特征间量级的差异太大使得某些特征的失效。
表2为一组待识别的振动信号各个频段上的振幅特征值,将其归一化后输入训练好的RBF神经网络,求出RBF网络输出结果如表3所示。
表2 待识故障样本
故障样本0~0.4 f0.4~0.5 f0.5~0. 9 f1 f2 f3~5 f>5 f
待识模式10000.8510.020
待识模式200.68010.10.010
待识模式30.8500100.20.1
表3 网络输出结果
输出节点123456
待识模式10.000 20.023 0-0.000 40.138 70.985 60.098 0
待识模式2-0.0130.205 10.967 30.009 4-0.012 40.108 2
待识模式30.056 30.971 20.110 80.000 5-0.003 20.070 6
将网络输出与各模式阈值进行比较,如果输出结果大于预设阈值,则此故障发生,否则不发生该故障。本例中,阈值设为0.9,由表3网络输出结果,可以看出,3个故障模式分别对应第5,3,2个输出节点大于阈值0.9,故可以诊断出3个待识样本的故障类型分别转子不对中、油膜涡动和喘振,这与实际工作情况相符。
4 结 语
本文提出了基于径向基神经网络的旋转机械故障诊断,在风机中利用振动信号频谱中的7个频段中的不同频率成分的谱峰能量值作为特征输入,采用RBF网络进行故障辨识,结果表明,径向基神经网络能够有效识别出旋转机械系统各种典型故障,并且克服了BP算法易陷入局部极小和计算速度慢的缺点,提高了诊断精度,适用于实时在线诊断要求。
参考文献
[1]屈梁生,何正嘉.机械故障诊断学[M].上海:上海科学技术出版社,1986.
[2]焦李成.神经网络的应用与实现[M].西安:西安电子科技大学出版社,1993.
[3]徐勇,荆涛.神经网络模式识别及其实现[M].北京:电子工业出版社,1999.
[4]张玲,张钹.人工神经网络理论及应用[M].杭州:浙江科学技术出版社,1997.
[5]沈世镒.神经网络系统理论及其应用[M].北京:科学出版社,1998.
[6]汪光阳,周义莲.风机振动故障诊断综述[J].安徽工业大学学报,2006,23(1):64-68.
[7]陈莲芳,徐夕仁.风机振动故障诊断及处理[J].热能动力工程,2006,21(1):96-98,110.
[8]周邵萍,林匡行,苏永升,等.风机振动分析与故障诊断[J].华东理工大学学报,1999,25(3):316-319.
[9]周丽霞,杨荣松,熊瑞平,等.改进的BP神经网络在风机故障诊断中的应用[J].机床与液压,2007,35(2):218-223.