旋转机械故障诊断范例6篇

前言:中文期刊网精心挑选了旋转机械故障诊断范文供你参考和学习,希望我们的参考范文能激发你的文章创作灵感,欢迎阅读。

旋转机械故障诊断

旋转机械故障诊断范文1

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.

旋转机械故障诊断范文2

关键词:汽轮发电机组;故障诊断;预警;分析

中图分类号:TB857+.3 文献标识码:A 文章编号:

1引言

汽轮机发电机组是高速旋转的机械设备,机械设备的故障一般都有前期症状,而故障诊断预警系统能提前预知,从而防止设备故障进一步恶化,对设备有针对性地计划检修,减少了汽轮机发电机组重大事故发生和机组跳闸对社会供电的影响。同时故障诊断预警系统对汽轮机发电机组机械故障具有诊断和分析功能,能具体分析出故障的原因所在,为专业人员分析故障提供重要的依据。某厂#3汽轮发电机组选用丹麦ROVSING Dynamics公司的OPENpredictorTM故障诊断预警系统,本文介绍该系统的应用,同时为其它汽轮发电机组故障分析提供借鉴。

2系统综述

OPENpredictorTM故障诊断预警系统通过安装在设备上的传感器,将探测到的过程信息与故障库中的故障种类和程度进行类比。一旦探测到故障,设备或部件的故障位置和诊断信息就会以清晰的文本形式呈现给相关人员。此外,故障的严重程度、何时需要维修以及何时会发展成为重大事故,都由预测系统根据故障症状进行评估。同时给故障诊断专家提供了丰富的数学模型和诊断工具。

OPENpredictorTM系统提供了广泛的故障类型库,加上独特的信号分析功能和相对完善的气动热力模型,可以完全自动地实现故障预警功能。并对设备健康状态进行评估,实现设备状态检修。

3系统组成及测点分布3.1系统组成系统主要由信号处理单元(SPU)、OPENpredictorTM系统服务器、工作站组成。SPU采集汽轮发电机组状态参数并做数据处理和分析,结果通过以太网提供给OPENpredictorTM系统服务器使用,工作人员通过工作站可视画面对机组整体监视,同时OPENpredictorTM系统服务器数据通过MIS网的内外网连接的FTP服务器每24小时(可设定)打包一次数据传输到远程服务中心,利用远程服务中心的外来力量对机组状态进行分析。系统的组成图1所示。

图1:系统组成图

3.2数据采集测点分布

下面图2所示是系统所有传感器的安装位置:

图2:测点分布图

表1:测点清单

4系统实现功能

OPENpredictorTM旋转机械预警专家系统在本工程中诊断的汽轮发电机组故障库见表2

说明:AS:自动频谱、CPB:恒定百分比带宽、DC:电流、OTA:次序跟踪分析、SCL:轴中线、SED=选择性包络检波、SMD:同步调制探测、Spp:峰-峰值信号、Temp:温度

表2:汽轮发电机组故障库

4.1设备健康评估

为了达到生产时间最大化的目的,就必须合理安排机组维护。OPENpredictor™能够监控机组全部状态,并定期总结机组的健康状况,指导技术人员合理安排机组检修。

4.2早期故障探测

采用“故障选择信号”方法在早期就能够探测出故障,通过连续监测潜在的故障症状,对机械健康状态进行评估。每一个类型的机械都有它独特的故障类型,OPENpredictor™预测维护信息系统采用覆盖最广范围的故障选择信号对故障进行检测。

为了进一步增加故障探测灵敏度,依据运行情况对信号进行分类。采用信号比照方法,减少错误报警的次数、增加故障预测的可靠性。

4.3早期故障诊断

早期故障诊断的模型采用了信号对照的结果,还采用了其它来源的信号:轴承温度、机组功率等其它相关的参数,综合计算,将清晰的结论呈现给技术人员。AutoDiagnosis™信息窗口为技术人员提供机械部件、辨别故障、预计维修时间和维护建议等清楚的信息。技术人员根据信息决定是否对机组进行维护。预测自诊断(PAD)故障项目有:轴承不稳定(油膜振荡)、轴承磨损(轴向的)、轴承磨损(径向的)、叶片现象(共振,结构改变等等)、转子不对中、转子不对中、转子磨擦、转子不平衡、转子不平衡、发电机定子线圈松动。

4.4故障发展趋势预测

“预测”运算法则通过推算故障信号的历史数据,确定故障发展至预定报警水平所需的时间。

4.5瞬时故障诊断

对机组运行突发的故障进行诊断,协助技术人员快速准确查找故障原因,并给出处理方案。瞬时自动诊断(IAD)故障项目有:转子轴向移位、轴承不稳定(油膜振荡)IAD、外部强烈振动、转子弯曲、转子裂纹IAD、转子磨损IAD低频、叶片磨损、径向轴承磨损、结构膨胀。

4.6远程故障诊断

OPENpredictorTM旋转机械设备预警系统每天打包数据传输到远程服务中心,实现专家远程诊断。

5系统应用效果(实例)

系统自2011年01月份开始发现机组轴系不对中故障,自动产生诊断报警并给出预测(如图3),说明机组轴系的不对中故障发展已比较严重。2011年3月17日系统又再次发出低压转子不对中的报警,显示低压转子未对中的症状已发展到比较严重的程度,提示应检查轴承及联轴器。

图3:转子不对中故障提示

2011年3月20日国外专家通过远程获取的数据,对低压缸转子不对中故障诊断分析,认为轴承可能出现问题。同时#1和#2轴X方向轴振动在2011年3月5日自动频谱图(图4)中显示除一倍频分量振动较大外,还存在约0.5倍频分量的振动,显示轴承有碰磨故障现象。

图4:#1和#2轴X方向轴振动自动频谱图

2011年4月4日在机组计划停机过程中发现#1轴X方向振动突然变大,惰走至转速150rpm左右时,#2轴承金属温度在短时间内由55℃突然直升到113℃左右,超出高限105℃,#2轴承可能磨损。

根据数据回顾及信号图谱分析,机组低压缸部分存在转子不对中故障,故障诊断系统也明确发出自动诊断报警。专家建议对#2、#3轴承进行检修,并对高中压转子、低压转子及发电机转子进行找中心,核查整个轴系各轴颈扬度值。

检查情况:解体#2轴承发现钨金轻度磨损;#2轴承标高偏高,汽轮机整个轴系扬度发生变化,导致转子不对中故障。同时#3轴承载荷减少,#2轴承载荷加重,低转速下,#2轴承油膜稳定性差,油膜无法正常形成,最终造成#2轴承磨损。

处理情况:对#2轴承磨损面进行修复,#2轴承标高降低0.05mm,减少#2轴承载荷,并对轴系重新对中。

经此次检修后,不再重复出现转子不对中故障,机组安全运行,成功地防止了故障进一步扩大。

旋转机械故障诊断范文3

[关键词]知识 机械故障诊断 专家系统

中图分类号:TH22.5 文献标识码:A 文章编号:1009-914X(2014)10-0277-01

一、电动机故障诊断专家系统

电动机故障诊断专家系统(FaultDiagnosisEXpertSystemofMotor,简称FDEsM)是本文研究的机械设备故障智能诊断系统的一个子系统之一,主要利用基于知识的专家系统智能诊断技术进行大型电动机故障的诊断。

1.FDESM的系统结构

FDESM的总体结构如1所示,由人机接口、知识库和知识库管理系统、数据库和数据库管理系统、控制部分、推理机、解释系统等几个部分组成。为了清晰、使用方便,运行灵活、节省时间,本系统采用窗口驱动系统来实现总体控制策略和运行结构,是一个完整而封闭的系统。

2.FDESM的知识库系统

在知识获取的过程中,一方面到各个企业中进行实地考察,了解关于大型电动机使用及其故障现象和故障诊断经验,获取直接知识;另一方面从有关电动机故障诊断文献中获取间接知识。

知识库的组织对推理结果有很大的影响,特别是当知识库的规模庞大时,如果组织不好就会产生“组合爆炸”现象,使得推理效率迅速下降。其次,推理过程中如果对知识从头到尾地搜索,也缺乏针对性,因为某一故障可能仅涉及其中的一部分知识。因此知识库需要较好的组织,使其既便于维护,又不至于使推理下降。

二、FDESM的推理机制

解决了知识的获取及知识表示的有关问题,就可以把问题领域中的知识表示出来,并以一定的形式存储到计算机中,形成知识库。但是,正如一个人只有知识而没有运用知识求解问题的能力仍然算不上“聪明”一样,对一个智能系统来说,不但应使它具有问题的知识,还应该使它具有运用知识求解问题的能力。运用知识的过程是一个思维过程,即推理过程。根据推理的方向分为正向推理、反向推理及正向一反向混合推理。

反向推理又称为目标驱动控制策略或自顶向下推理、目标推理、后件推理等。它是首先提出某个假设,然后寻找支持该假设的证据,若所需的证据能找到,说明原假设是正确的;若无论如何都找不到所需要的证据,则说明原假设不成立,此时需要另作新的假设。因此,要求提出的假设要尽量符合实际,否则就要多次提出假设,影响求解的效率。

三、FDESM运行实例

通过对感应电动机故障诊断的实例运行和测试,结果表明:该系统运行正常、实用方便,达到了预想结果,从而验证了本系统的准确性和可靠性。

如某一感应电动机发生了故障,并表现出下列现象:

(l)转速达不到要求速度,加速度小;

(2)电流变动;

(3)起动时有不正常声音。

运行诊断系统,选择对应的现象集,则诊断出故障原因为:

(1)超负载、电压不够、转子或风扇同固定部分有摩擦;

(2)绕组、滑环、电刷器械与转子电路中有接触不良;

(3)断相或电压过低,过负载也有可能。

解决故障对策为:

(l)检查负载和电压,以及气隙、风扇部分;

(2)检查焊接处、绕组与滑环间、电刷器械、接线螺栓松动问题;

(3)检查电压与负载。

总之,利用基于知识的专家系统在大型电动机故障诊断技术中应用的研究,建立了故障诊断系统,本系统具有对大型电动机故障进行综合诊断的功能。该系统知识库具有高度模块化的特点,这对知识库的维护、扩充及删改带来了极大的方便,知识库的这种树状层次结构便于知识库的管理,可以减少一些不相容的规则。本系统采用可视化界面窗口来实现总体控制策略和运行结构,通过实例可以看出系统具有清晰、无二义性,运行灵活、诊断快速等特点,具有一定的可靠性。

参考文献

[1]赵冲冲.网络技术在旋转机械状态监测与故障诊断中的应用田].西北工业大学硕士学位论文,2001,3

[2]马建仓,林其敖,葛文杰.机械故障诊断学科现状及发展团.机械科学与技术,1994,50(2):85~ 90

旋转机械故障诊断范文4

关键词:机械设备、故障诊断、安全运行、维修成本

1.引言:在近几十年来因机械设备故障而引发的的灾难性事件层出不穷,一方面造成了巨大的经济损失、人员伤亡以及环境污染,另一方面其对社会造成的恶性影响也是难以估量的。若机械生产设备一旦产生故障,在经济损失成倍增加的基础上,又会出现维修复杂化、困难化、交叉化等问题。因此,当我们在设法如何更好地享受生活的时候,不仅要对机械设备的速度、容量、效率、安全可靠性等方面提出更为苛刻的要求的同时;也要对针对设备故障进行检测和诊断的先进的状态监测与诊断技术投以更多的目光。

2.机械设备中常见的问题

一般而言,我们笼统的将设备在生产运行过程中因为某种原因而丧失某种或全部所要求预期功能的现象,称之为故障。以系统的角度而言,传统的故障主要包含两层含义: 偏离正常功能地机械系统,其主要原因是由于机械系统及其零部件的工作条件超出了生产设计所规定的工作条件而产生的,这种现象工作人员可以通过调节相关参数或对某些零部件进行简单修复后更换来消除,我们传统的称其为故障;以功能失效为缘由的机械故障是指机械系统出现连续偏离正常功能的阈值并且其程度加剧的趋势越来越明显的现象,使机械设备功能不能完全的发挥出来的现象称之为失效。这就是为什么我们经常将故障与失效混为一谈的原因。但在某些特殊情况下而这又有所不同。常见的机械设备故障问题主要分为两大类:以电气控制系统故障为主的电气问题和以机械本体为主的机械结构问题。电气控制系统常见的问题有因机械故障而引发的电机烧损、控制电路板短路烧损以及信号采集设备烧损等问题。机械本体产生的问题较为多发而且往往会引发一系列的连锁反应,如位于机械传动部分的减速器、离合器接触面的磨损致使传动精度下降,导致加工出的产品达不到设计的精度要求,因生产加工条件所限产生设备摩擦过热又不能及时降温导致热传导效应,致使控制电气部分受到强烈干扰等。

3.导致问题的原因

以桥式起重机的减速器而言,作为起重机的重要传动部件的减速器通过齿轮间的啮合来传递运动及力,将电动机高速运转的转速利用齿轮间降速传动的这一规律转变为低速大扭矩的运动,但往往在传递扭矩过程中会出现因扭矩过大或运行下时间过长系统不好以及短时间过载或受到冲击载荷,多次重复弯曲引起的等产生齿轮轮齿折断现象,在齿轮传动过程中因杂物粘到齿面以及轮齿表面面不光滑,有凸起点产生应力集中,或剂不清洁由于温度过高引起失效。由于硬的颗粒进入摩擦面引起磨损,液压缸和控制头漏油在而产生的齿面点蚀或齿面磨损现象,因为轮齿见接触温度过高以及轮齿间接触力过大产生的齿面胶和等现象,以上这些因素都会对起重机装备造成运行功能达不到设计预期要求的现象。

4.浅谈机械设备故障检测的方法

在装备制造业蓬勃发展的当今社会,即使机电设备故障诊断技术已逐步发展为一门集数学、物理、化学、生物学、信息处理、模式识别、智能控制、信息科学、电工电子技术、计算机科学技术、通讯技术系统科学、人工智能和机械设计加工制造等多学科领域交叉的新型综合性技术。但以振动监测技术、油液磨屑分析检测诊断技术、噪声监测技术、红外测温技术以及射线扫描技术等为代表的传统的机械设备诊断技术仍然被大量地使用于很多机械设备领域。首先,作为最常用的机械设备诊断技术振动监测诊断技术凭借其简单高效的优越性仍被广大技术检测人员所亲睐,振动监测诊断技术是通过测对设备进行测量来得出机械设备的振动参数及其特征,并利用计算机信息处理系统来对设备的状态进行系统的分析并给出处理故障的方法。由于振动的广泛性、参数多维性、测振方法的无损性、在线性的一种机械设备检测技术。凭借上面所提到的其简单高效的检测手段,人们将机械设备振动监测诊断理所当然的作为机械设备故障诊断的首选方法。机械运行过程中要产生振动,机械状态特征凝结在振动信息中。机械振动检测技术需要测量的参数有速度、加速度以及位移,检测人员可根据机械设备运行的固有频率来对测量的参数和所用传感器进行针对性的选择。其次,通过对油液磨屑粒形状识别或观察油液介质的物理、化学成分的变化来判断机械运行状况而产生的另一中机械设备检测技术随之产生,即油液磨屑分析检测诊断技术。其主要用于以机械设备系统和液压系统为主的场合。最后就是以热传导为基础而产生的红外测温诊断技术;通过对机械设备各部位所产生的不同温度或温度变化范围及趋势来对机械设备系统进行分析判断来检测机械设备运行状态的红外测温诊断技术方法。诸如机械磨损、发动机排烟管堵塞、液压系统油液性能优劣、电器接点烧坏等常见的机械设备故障问题均会引起机械设备温度的变化,此外材料机械性能如剪切。弯曲、扭转、拉伸压、缩应力也与温度的变化有着密不可分的关联,因此,红外测温诊断技术在检测机械设备故障问题上有着不可替代的优越性;尤其是对高速旋转机件,采用一般以传感器测温为主流的检测方法不能获得准确测量值时,红外测温仪的优越性就更为显著; 红外测温仪不仅能够进行远距离和非接触式测温,而且还具有信息处理、运算和进行简单逻辑判断的功能。

5. 小结

为了适应制造化大潮流的发展,在科学技术与现代化工业蓬勃发展当今世界,机械设备领域正朝着大型化、高速化、多功能化、轻型化、集成化、简单化、自动化和大功率、大载荷、连续化方向飞速的实现跨越式的发展。机械系统的检测技术势必朝着智能化、集成化、多功能化的方向发展,实现以计算机控制为主流的机械设备人工网络控制检测检测系统终将代替传统的机械设备故障检测方法。

参考文献

[1]夏希楼.机械设备故障检测诊断技术的现状与发展[J]. 煤矿机械,2007,28(3):183-185.

[2]王胜春,韩捷,李志农,等.基于矢模糊函数的旋转机械故障诊断方法的研究[J].中国机械工程,2006(17):74-77.

[3] 钟秉林,黄仁,机械故障诊断学[M].北京:机械工业出版社,2002,第2版.

旋转机械故障诊断范文5

关键词 滚动轴承 状态监测 MATLAB BP神经网络

中图分类号:TH133 文献标识码:A

1 监测轴承的意义和重要性

滚动轴承是各种旋转机械中应用最广泛的一种通用机械部件,它们在旋转机械中起着关键的作用,旋转机械的故障30%是由滚动轴承故障引起的,其运行状态的正常与否直接影响到整台机器的性能(包括精度、可靠性及寿命等)。因此,及时发现滚动轴承的故障并消除,能有效保证机器正常运转,提高使用寿命。

2 常见轴承故障

滚动轴承在工作过程中,常见的轴承故障可总结为损伤和磨损两大类。损伤类故障有疲劳剥落、塑性变形、轴承烧伤、锈蚀 、断裂、胶合六种;磨损类故障为轴承长期正常工作引起的渐变性故障。

(1)疲劳剥落

在工作中,轴承滚子和滚道接触面相对滚动的同时又互相挤压,轴承部件接触面将产生小的剥落坑,最终发展为大面积剥落,该现象称作疲劳剥落。

(2)塑性变形

当工作载荷过重时,由于滚 动 轴 承 承受 的 过 大 的 冲 击 力 和 静 载 荷 的 原 因 ,轴承滚道的表面上形成的不均匀凹坑,这种现象主要发生在低速旋转的轴承上。

(3)断裂

过大的负荷和工作过程中摩擦产生的热应力过大时能引起轴承零件断裂。

(4)轴承烧伤

轴承不良、应用变质的油、装配过紧或存在较大偏斜量能引起轴承的烧伤。

(5)胶合

轴承在高速高负荷和欠缺的情况下,摩擦产生的热量能使轴承部件迅速升温,到达一定温度时能引起轴承部件接触的金属表面相互粘接,该现象称作胶合。

3 常用的滚动轴承监测数据分析手段

利用振动信号对故障进行诊断,是设备故障诊断方法中有效且常用的方法。机械设备和机构系统在运行过程中的振动及其特征信息是反映系统状态及其变化规律的主要信号。通过各种动态测试仪器提取、记录和分析动态信息,是进行系统状态监测和故障的主要选径。常用的信号处理方法主要有时域分析、频域分析和小波分析等。

4 信号采集和特征值提取

通过加速度传感器可提取到振动信号。滚动轴承的振动信号的特征包括时域和频域特征,这些特征的合理组合能够很好的反应滚动轴承的运行状态,实现对其的监测,并能通过进一步处理实现故障的识别。时域特征可包含信号的能量、波动性等信息,但远远不足以准确判断故障所在;频域的特征则是更加明显。然而只有两累特征综合来判断才能对故障进行准确识别。

对时域和频域的各个参数分别进行分析,从中抽取特征,可用作模式识别的输入量。特征选取依据以下原则:(1)同种状态信号的特征重复性好;(2)不同种状态信号的特征差异性好,即当被监测对象状态发生改变时,特征值会明显改变。

5 神经网络的模式识别

5.1 人工神经网络的基本原理

(1)人工神经元模型

最早提出神经元模型并且影响较人的是1943年心理学家在分析总结神经元基本特性的基础上首先提出的MP模型。人工神经元模型是由大量处理单元广泛互连而成的网络,是人脑的抽象、简化、模拟,反映人脑的基本特性。

(2)人工神经网络结构。

神经网络常分成两大类:没有反馈的前向神经网络和相互结合型网络,如图4.1所示。

前向神经网络由输入层、一层或多层的隐含层和输出层组成,每一层的神经元只接受前一层神经元的输出。相互连接是指网络中任意两个单元之间都是可达的,即存在连接路径。

5.2 BP神经网络

(1)BP神经网络的结构

BP神经网络,即多层前馈式误差反传神经网络,通常由输入层、输出层和若干隐含层构成:每一层都由若干个节点组成,每一个节点表示一个神经元,上层节点与下层节点之间通过权值连接,层与层之间的节点采用全互联的连接方式。神经网络的结构图如下所示:

(2)网络参数的确定

①网络层数的确定

BP网络是通过输入层到输出层的计算来完成的。多一层的隐含层虽然能提高网络的训练速度,但是需要较多的训练时间,而训练速度可以用增加隐含层节点个数来实现,因此在应用BP神经网络时,选取只有一个隐含层的三层BP神经网络就足够了。

②输入、输出层神经元个数的确定

输入层的神经元个数就是提取到的有效特征值的个数;输出层神经元的个数要看问题模式的种类数,监测轴承的好坏有正常与故障两种模式,故输出层神经元的个数为1。当输出为1时表示该轴承为正常轴承,输出为0时表示该轴承为故障轴承。

③隐层神经元个数的确定

隐层神经元个数的确定比较复杂。在具体设计时,首先根据经验公式初步确定隐含层神经元个数,然后通过对网络进行训练对比,再最终确定神经元数。通用的隐含层神经元数的确定经验公式有:

其中为隐含层神经元的个数,n为输入层神经元的个数,m为输出层神经元的个数,a为常数且1 < a < 10。

6 结束语

通过对轴承特征值的提取,提取到了重复性好、差异性好的有效特征值。利用神经网络模式对轴承的工作状态进行有效的识别,将归一化处理后的有效特征值作为神经网络的输入参数输入,用实验所测得的数据对BP神经网络进行训练,从而达到轴承状态识别的目标。

参考文献

[1] 雷建中,张增岐.国内外轴承废品及失效分析.NSTL期刊,2010.7.

[2] 武栋梁.滚动轴承常见故障及其振动信号特征.中国航空导弹研究院,2012.6

[3] 苏宝定.滚动轴承振动检测与智能诊断系统研究.大连理工大学,2008.12

[4] 常文龙,胡朋.滚动轴承运行状态智能化监测.科教导刊,2013.3

旋转机械故障诊断范文6

1 故障诊断技术的发展[1]

故障诊断(FD)始于(机械)设备故障诊断,其全名是状态监测与故障诊断(CMFD)。它包含两方面内容:一是对设备的运行状态进行监测;二是在发现异常情况后对设备的故障进行分析、诊断。故障诊断技术是一门交叉学科,融合了现代控制理论、信号处理、模式识别、最优化方法、决策论、人工智能等,为解决复杂系统的故障诊断问题提供了强有力的理论基础,同时实现了故障诊断技术的实用化;近二十年来,由于技术进步与市场需求的双重驱动,故障诊断技术得到了快速发展,已在航空航天、核反应堆、电厂、钢铁、化工等行业得到了成功应用,取得了显著的经济效益;从故障诊断技术诞生起,国际自动控制界就给予了高度重视。

以运动机械的振动检测为中心,辅助以温度、压力、位移、转速和电流等各种参数的采集,从而对钢铁冶炼中的各种大型传动设备的状态进行分析和判断,从而达到故障诊断的目的。

2 故障诊断的主要理论和方法[2-3]

1971年Beard 发表的博士论文以及Mehra和Peschon发表的论文标志着故障诊断这门交叉学科的诞生。发展至今已有30多年的发展历史,但作为一门综合性新学科——故障诊断学——还是近些年发展起来的。从不同的角度出发有多种故障诊断分类方法,这些方法各有特点,但从学科整体可归纳以下几类方法。

1) 基于系统数学模型的诊断方法:该方法以系统的数学模型为基础,以现代控制理论和现代优化方法为指导,利用Luenberger观测器 、等价空间方程、Kalman滤波器、参数模型估计与辨识等方法产生残差,然后基于某种准则或阀值对残差进行分析与评价,实现故障诊断。该方法要求与控制系统紧急结合,是实现监控、容错控制、系统修复与重构等的前提、得到了高度重视,但是这种方法过于依赖系统数学模型的精确性,对于非线性高耦合等难以建立数学模型的系统,实现起来较困难。如状态估计诊断法、参数估计诊断法、一致性检查诊断法等。

2) 基于系统输入输出信号处理的诊断方法:通过某种信息处理和特征提取方法来进行故障诊断,应用较多的有各种谱分析方法、时间序列特征提取方法、自适应信号处理方法等。这种方法不需要对象的准备模型,因此适应性强。这类诊断方法有基于小波变换的诊断方法、基于输出信号处理的诊断方法、基于时间序列特征提取的诊断方法。基于信息融合的诊断方法等。

3) 基于人工智能的诊断方法:基于建模处理和信号处理的诊断技术正发展为基于知识处理的智能诊断技术。人工智能最为控制领域最前沿的学科,在故障诊断中已得到成功的应用。对于那些没有精确数学模型或者很难建立数学模型的复杂大系统,人工智能的方法有其与生俱来的优势。基于专家系统的智能诊断技术、基于神经网络的智能诊断技术与基于模糊逻辑的诊断方法已成为解决复杂大系统故障诊断的首选方法,有很高的研究价值和应用前景。这类智能诊断方法有基于专家系统的智能诊断技术、基于神经网络的智能诊断技术、基于模糊逻辑的诊断方法、基于故障树分析的诊断方法等。

4) 其它诊断方法:其它诊断方法有模式识别诊断方法、定性模型诊断方法以及基于灰色系统理论的诊断方法等。另外还包括前述方法之间互相耦合、互补不足而形成的一些混合诊断方法。

3 钢铁行业中故障诊断技术的应用[4-6]

钢铁行业中的主要机械设备是各种传动设备和液压设备,如轧机、传送带、各种风机等。它们的工作状况决定了生产效率和钢铁冶炼的质量,对这些设备状态的在线检测,能够及时、准确的检测出生产设备的运行状况,并给出相应的操作和建议。因此建立相应的故障诊断系统对整个系统的正常运行特别重要。于是针对钢铁行业特殊的机械环境(多传动设备和液压设备),相应的故障诊断系统也必须以这些设备的特点而建立。主要原理是以运动机械的振动参量检测为中心,辅助以温度、压力、位移、转速和电流等各种参数的采集,从而对这些大型传动设备的状态进行分析和判断,再进行相应的处理。整套故障诊断系统由计算机系统、数据采集单元、检测元件、数据通讯单元以及专业开发软件组成。此系统既可单独工作,又可和DCS或PLC组成分散式故障诊断系统对所遇生产设备进行监控和故障诊断。整个系统的工作流程图如图1所示。

机械振动是普遍存在工程实际中,这种振动往往会影响其工作精度,加剧及其的磨损,加速疲劳损坏;同时由于磨损的增加和疲劳损坏的产生又会加剧机械设备的振动,形成一个恶性循环,直至设备发生故障,导致系统瘫痪、损坏。同时机械设备的工作环境也是造成机械设备发生故障主要原因之一,因此,根据对机械振动信号和工作环境温度、湿度的测量和分析,不用停机和解体方式,就可以对机械的恶劣程度和故障性质有所了解。同时根据以往经验建立相应的处理机制库,从而针对不同的故障做出相应的诊断和处理。整个处理过程如下:

1)传感器采集设备工作状态信号。如各种传动装置的振动信号、温度信号、液压装置的压力、流量和功率信号等。

2)特征信号提取。将各种传感器采集信号进行信号分类,刷选出相应的传感器信号,如振动传感器采集的文振动强度信号、压力传感器采集的压力信号等。

3)对特征信号处理。对传感器采集的特征信号进行滤波、放大等处理,提取出相应的特征信号。

4)对采集信号进行故障诊断。将提取的特征信号进行判断处理,选择相应的故障方法(如小波变换法),分析故障类型和设备状态,然后查询故障类型库,做出相应的决策。

4 结束语

建立在现代故障诊断技术上的钢铁冶炼设备故障诊断系统,可对设备的运行状态进行实时在线检测、通过对其监测信号的处理与分析,可真实地反映出设备的运行状态和松动磨损等情况的发展程度及趋势,为预防事故、科学合理安排检修提供依据,可以提高设备的利用效率,产生了很大的经济价值,对此类故障诊断系统的研究有很深远的意义。

参考文献

[1] 沈庆根,郑水英.设备故障诊断[M].北京:化学工业出版社,2006.

[2] 王仲生.智能故障诊断与容错控制[M].西安:西北工业大学出版社,2005.

[3] 李民中.状态监测与故障诊断技术在煤矿大型机械设备上的应用[J].煤矿机械,2006(03).

[4] 傅其凤,葛杏卫.基于BP神经网络的旋转机械故障诊断[J].煤矿机械,2006(04).