故障诊断论文详解.docx
- 文档编号:26719570
- 上传时间:2023-06-22
- 格式:DOCX
- 页数:19
- 大小:1.16MB
故障诊断论文详解.docx
《故障诊断论文详解.docx》由会员分享,可在线阅读,更多相关《故障诊断论文详解.docx(19页珍藏版)》请在冰豆网上搜索。
故障诊断论文详解
上海大学2016~2017学年秋季学期研究生课程考试
小论文格式
课程名称:
机械故障诊断专题课程编号:
09SAS9023
论文题目:
齿轮箱故障的原因和诊断方法
研究生姓名:
李召伦学号:
16722008
齿轮箱故障的原因和诊断方法
学号:
16722008姓名:
李召伦
摘要:
齿轮箱是现代工业中广泛应用的重要传动装置,它的结构较为复杂,往往是故障频发的设备部件,特别是在环境恶劣的场合下,常易发生断齿、点蚀、齿面磨损及轴弯曲等典型故障。
本文首先分析了齿轮箱常见的故障,并对各故障产生的原因进行了阐述。
然后列举了一些齿轮箱故障诊断的方法。
Abstract:
Gearboxisanimportanttransmissiondevicewidelyusedinmodernindustry,Itsstructureismorecomplex,oftenfrequentfailureofequipmentcomponents,Especiallyinthebadenvironment,thetypicalfaultssuchasbrokentooth,pitting,toothsurfacewearandshaftbendingarealwayseasytobebroken.Thispaperfirstlyanalyzesthecommonfaultsofthegearbox,andexplainsthecausesofthefaults.Thensomemethodsoffaultdiagnosisofgearboxareenumerated.
前言
齿轮传动是机械设备中最为常用的传动方式之一,齿轮箱因其体积小,重量轻,性能优良,运行可靠,故障率低的特点被广泛运用。
据统计,齿轮箱发生故障中:
由于设计、制造、装配及原材料等因素引起的占40%。
由于用户维护和操作不当引起的占43%,原相邻条件的故障或缺陷引起的占17%。
齿轮传动系统中齿轮本身的制造,装配质量及其运行维护水平是关键问题。
1齿轮箱故障的原因
1.1齿轮箱异响和振动
1.1.1异响的频率稳定,单向有异响,反向旋转无异响。
此类异响可能是因为齿面磕碰的伤痕引起。
1.1.2异响的频率较快,齿面检查正常。
有可能是轴承损坏,轴承内圈滚道或滚子表面凹痕引起的周长运转不平稳。
如图1.1轴承内圈表面凹痕。
1.1.3其他齿面问题,也会造成因运转不平稳引起异响。
1.1.4轴端轴承损坏或轴承与轴颈磨损产生配合间隙,会使齿轮摇摆和扭振。
如图1.2轴承轴端损坏。
图1.1轴承内圈表面凹痕图1.2轴承轴端损坏
1.1.5齿轮箱与相邻条件连接时,连接轴中心偏差过大引起的振动。
1.1.6齿轮轴刚度不足、箱体变形引起的振动。
1.2轴承高温:
轴承游隙过小、齿轮喷油不足、油温过高、轴承损坏、轴承与其他零件摩擦干涉等
1.3.齿根、齿面问题
1.3.1点蚀:
齿轮面啮合处,由于长期循环的交变应力作用,应力值超过材料疲劳极限,齿面产生细微的裂纹。
随着裂纹的扩展将导致小块金属脱落,产生齿面点蚀。
图1.3齿根、齿面问题
1.3.2齿面胶合:
在高速重载的齿轮传动中,往往因温度升高,润滑油的油膜被破坏,接触齿面产生很高的瞬时温度,同时在很高的压力下,齿面接触处的金属局部黏结在一起。
当齿轮继续运转时,由于两齿轮的相对滑动,在齿轮表面撕成沟纹,这种现象称为齿面胶合,简称胶合。
出现齿面胶合后将产生强烈磨损。
为了防止胶合,可采用黏度较大或抗胶合性能较好的润滑油及提高齿面硬度与降低表面粗糙度等措施。
齿根裂纹及断齿:
疲劳折断,磨损折断、过载折断。
磨削或淬火的裂纹引起折断,异物掉入引起齿面损坏或崩裂。
图1.4齿根裂纹及断齿
1.4渗、漏油
1.4.1箱体顶部的通气帽阻塞,箱内热胀空气不能排出,箱体内外压力不平衡,润滑油沿分箱面或轴伸密封件等其他缝隙渗漏
1.4.2齿轮箱封盖时,结合面变形或密封件安装不良造成的密封不严,结合面缝隙漏油
1.4.3加油量过多。
大量油积聚在轴封、结合面等地方
1.4.4密封胶选用不当、密封件方向装反和破损不及时更换等会引起漏油。
图1.5漏油
1.4.5相对运动的零件配合间隙过大或者因磨损产生的间隙过大
1.4.6工作温度太高、润滑油粘度太低。
表1.1齿轮箱故障原因
故障原因
所占比例
一
齿轮失效
60%
二
轴承失效
19%
三
轴的失效
10%
四
箱体失效
7%
五
紧固件失效
3%
六
油封失效
1%
图1.1齿轮箱故障的分类
综上可知:
齿轮箱故障的原因主要有制造误差、装配不良、润滑不良、超载、操作失误等方面。
在齿轮箱的部件失效中齿轮、轴承所占的比重约60%和19%(见表1.1),所以齿轮箱振动的故障诊断主要是齿轮和轴承的故障诊断。
齿轮运行的主要故障有:
齿轮磨损、齿面胶合和擦伤、齿面接触疲劳和断齿等。
2齿轮箱故障诊断研究现状
2.1机理研究
在齿轮箱典型故障机理研究和特征提取方面,主要是基于振动机理。
一般来说,随着振动能量的不同,齿轮箱振动信号中将产生齿轮啮合频率调制、齿轮固有频率调制、箱体固有频率调制、滚动轴承外环固有频率调4种不同的调制现象。
不管齿轮正常与否,齿轮啮合时其啮合频率总会出现。
但其它频率,只在齿轮、轴承或轴出现故障时才出现。
另外,一旦有故障,在这4种频率附近都将产生轴的旋转频率及其谐波的调制。
2.2信号处理技术
振动信号的处理和分析方法也在突飞猛进。
早期信号提取主要借助于傅立叶变换,计算量很大,直到FFT出现以后,经典信号分析方法才得到迅速发展。
然而傅立叶变换存在频率成分的分辨率不高、谱图有畸变、随机起伏明显不光滑,不适于短数据等缺陷,于是人们重新提出了分辨率较高的现代谱分析法,如最大熵谱估计法、自回归谱估计法等。
小波分析是正在迅速发展的一种新分析方法,具有良好的时频局部化特性和特别的去噪能力,在故障诊断中得到了广泛应用并取得了一定的效果。
为了得到特殊频段的分析,小波包分解是比小波分解更精细的一种分解。
目前的应用主要集中在小波去噪和早期的故障诊断。
(一)葛航奇,潘宏侠,毕静伟[]研究了小波包分解和矩阵分形相结合在齿轮箱故障诊断中的应用,讨论了小波包分解的计算方法和分形矩阵的计算方法。
首先对采集的齿轮箱各种工况信号运用小波包三重分解的方法对进行分解,通过计算其分解得到的分量信号的广义维数构建分形矩阵,分析发现在不同工况下通过小波包分解得到的分形矩阵明显不同。
通过计算样本信号和待检测信号的相关系数,用柱状图做直观比较确定了待检测信号故障类型,验证了该方法能够有效应用于应齿轮箱故障诊断中。
(二)JWang,DKong,SDong,CWang[]基于小波变换的齿轮箱故障诊断(TheGearboxFaultDiagnosisBasedonWaveletTransform)。
Inthispaper,itmeasuresthevibrationaccelerationsignalofapumpingunit’smaingearbox,namesthem1#and2#.Aftercomparingthetimecoursecurveandspectralofthetwomaingearbox,ithasfoundthe2#gearbox’smaximumamplitudeisabout2.5timesthanthe1#.ThenarrowbandsignalsarefilteredbyHilberttransformtoobtaintheenvelopeofthenarrowbandsignal.Theenvelopesignalsaresignificantdifferentbetweenthetwogearboxes,1#gearboxhasmorespectrumoffrequency,and2#gearboxismoreoutstandingsinglefrequencycomponent.Theresultsshowthatthepresenceofthe2#gearboxhassomeminorfaults.The2#gearboxismorewearthan1#gearbox,whichexplainstherationalityofthevibrationanalysis.
在本文中,测量抽油机的主齿轮箱1号和2号的振动加速度信号。
之后的时间历程曲线和两主减速器的光谱进行比较,发现2号变速箱的最大振幅约为1号变速箱的2.5倍。
利用希尔伯特变换对窄带信号进行滤波,得到窄带信号的包络。
两齿轮箱之间的包络信号有着明显的区别,1号变速箱有频率谱,2号变速箱是更明显的单频分量。
结果表明,2号变速箱存在一些瑕疵。
2号变速箱比1号变速箱更耐磨,这就说明了振动分析的合理性。
(三)张耀[]基于变换的齿轮箱故障诊断方法研究。
本文提出一种基于EMD分解和自相关函数相结合的方法对采集的振动信号降噪处理方法,运用Hilbert-Huang变换方法可以根据信号特征进行自适应的分解,有效的提取故障特征频率,通过分析Hilbert谱图和边际谱图实现齿轮的故障进行诊断分析。
本文主要的研究内容和结果包括:
(1)研究了齿轮常见损伤形式及其产生原因,根据齿轮故障征兆分析了故障检测参数的有效性;基于齿轮产生故障时出现的啮合频率调制现象和边频带分布特点,得到了齿轮典型故障和相应的振动信号特征频率之间的关系。
(2)为了抑制齿轮故障信号中噪声的干扰,突出故障特征频率,提出了基于相关分析和EMD结合的降噪方法,通过对加噪平稳信号和加噪非平稳信号的仿真实验测试,证明了此降噪方法的有效性,与EMD降噪相比此方法的降噪效果更好。
(3)运用Hilbert-Huang变换方法分析振动信号。
在实验台上分别对齿轮齿面磨损、齿轮裂纹、轮齿折断三种故障进行齿轮箱故障诊断分析。
综合对比振动信号的时域波形,幅值谱,Hilbert谱,边际谱等获得故障特征频率及其附近调制边频带特征,成功完成齿轮箱故障诊断,表明Hilbert-Huang变换方法非常适合齿轮箱故障诊断。
(四)秦嗣峰,冯志鹏,LIANGMing[]Vold-Kalman滤波和高阶能量分离在时变工况行星齿轮箱故障诊断中的应用研究。
提出了基于Vold-Kalman滤波和能量分离的时频分析方法,识别行星齿轮箱的时变特征频率,诊断齿轮故障。
与传统的时频分析方法相比,基于Vold-Kalman滤波和能量分离的时频表示具有良好的时频分辨率,而且没有交叉项干扰,能够有效提取非平稳信号中的时变频率成分。
分析了行星齿轮箱时变工况下的实验信号,准确地诊断了齿轮故障,验证了该方法的有效性。
2.3基于混合特征提取和小波神经网络的齿轮箱故障诊断[]
这种诊断方法是将振动法里面的时域法,小波包分解,小波分解相结合的方法进行故障诊断。
优点:
能够完整的提取信号的故障信息,提高诊断准确率。
(通过对实例的三种不同齿轮裂纹尺寸的故障模式进行识别和分类可以看出。
)
图2.1
根据综合因数考虑选择齿轮(三)来模拟故障模式。
表2.1齿轮的三种故障模式
齿轮裂纹全深度为a=2.4mm,裂纹全宽度为b=25mm,所选齿轮箱转速为800r/min,载荷为51.77N*m。
一:
时域特征提取
当齿轮出现故障时,齿轮箱时域信号会生变化,它的幅值和分布都与正常齿轮的时域信号有差异。
每个时域特征参数或者特征量都反映了振动信号的某种特性,通过这些特性可以对不同信号进行区分。
对于一组离散的测试信号,本文取N=1024,几个特征参数的计算公式如下:
均值:
标准差:
均方根值:
峭度指标:
偏态指标:
二:
小波包特征提取
优点
小波包分解可以同时对信号的低频和高频部分进行分解,并且克服了多分辨分析不能对高频部分进行细分的缺点。
具有很高的时频局部分化分析能力。
此外,小波包分解能够根据被分析信号的特征,自适应地选择相应的频带,使之与信号频谱相匹配,从而提高了时频分辨率,能有效地提取信号的特征信息。
小波包函数被定义为:
式中n=0,1,2…为振荡参数,J∈Z和k∈Z分别是尺度参数和平移参数
对采集到的齿轮箱振动信号进行3层小波包分解,采用Shannon熵准,可得到从低频到高频的8个等宽频率的子频带,本文采样频率为2560kHz。
图2.2
求各子频带特征信号的能量值
用(S1,S2,…,S8)表示各子频带特征信号,则原始信号Sn=S1+S2+…+S8,设信号Sn(n=1,2,…,8)所对应的能量值为En,其计算公式如下:
式中J=3,n=1,2,…,2j,k=1,2,…,N,N为信号长度N=1024
设所提取的8个能量值为
将T作为小波神经网络的一组特征参数
小波包变换后的重构信号
图2.3
三:
小波特征提取
优点
小波分析是一种优于传统的傅里叶变化的新的信号处理方法,被广泛应用于语音与图像处理、数据压缩与编码、故障诊断等领域。
小波能有效地提取信号低频部分的时频特征信息,具有很高的频率分辨率。
小波族函数可被定义为:
对采集到的齿轮箱振动信号利用小波函数进行3层小波分解,经重构后得到1个逼近信号(A3)和3个细节信号(D1,D2,D3)。
公式为:
图2.4三层小波分解树结构
求各重构信号的能量值
原始信号S=A1+A2+A3,计算各个重构信号的能量值,其计算公式如下:
式中n=1,2,3,4,i=1,2,…,N,N为信号长度N=1024。
设所提取的4个能量值为将P作为小波神经网络的一组特征参数
图2.5小波变换后的逼近信号和细节信号
四:
小波神经网络
图2.6小波神经网络模型
图2.7小波神经网络测试流程
五:
神经网络诊断训练
采用四种不同的特征提取方法可构成四种分类器
分类器1:
输入4个是与特征参数(
),此时输入层节点数I=4。
分类器2:
输入8个能量值参数(
),此时输入层节点数I=8。
分类器3:
输入4个能量值参数(
),此时输入层节点数I=4。
分类器4:
输入5个混合特征参数(
),此时输入层节点数I=5。
流程
图2.8流程
结果
表2.2结果
结论:
以上所提议的基于混合特征提取和小波神经网络的方法能有效地对三种不同齿轮裂纹故障进行诊断和分类,运用小波包和小波变换对振动信号进行预处理后,能提取更多的特征信息。
采用时域分析法、小波包分析和小波分析相结合的方法比采用单一的方法能更好地提取信号的特征信息,从而提高了小波神经网络的诊断精度和模式分类能力,该方法能较好的应用于旋转机械的故障诊断。
3故障诊断方法
信号处理的主要任务是从机械故障振动信号中提取信号特征,针对信号的数字量进行分析;故障诊断就是在信号处理的基础上判别机械的工况状态,查明故障部位和原因。
目前国内外有关故障诊断的原理和方法的研究方兴未艾,有的方法在齿轮箱的故障诊断中得到很好的应用,有的还处于尝试阶段。
归纳如下:
3.1模式识别诊断法
1)模式识别法[]
“广义的说,存在于时间和空间中可观察的事物,如果我们可以区别他们是否相同或相似,都可以称之为模式”。
而将观察目标与己有模式相比较、配准,判断其类属的过程就是模式识别。
模式以及模式识别是和类别(集合)的概念分小开的,只要认识某类事物或现象中的几个,人们就可以识别该类中的许多事物或现象。
为了强调能从具体的事物或现象中推断出总体,“我们把通过对具体的个别事物进行观测所得到的具有时间和空间分布的信息称为模式,而把模式所属的类别或同一类模式的总体称为模式类(我们下面进行的模式识别的讨论都是基于该定义的)。
也有人习惯上把模式类称为模式,把个别具体的模式称为样本”。
如“字符”、“植物”、“动物”等等都是模式,而“A”、“松树”、“狗”则是相应模式中的一个样本。
在此意义上,人们可以认为把具体的样本归类到某一个模式,就叫做模式识别,或模式分类。
2)模糊诊断分类法
以模糊数学为基础,利用集合论中的隶属函数和模糊关系矩阵的概念来解决故障征兆之间的不确定关系,进而实现故障的检测诊断。
由于模糊诊断可以处理一些不完整的或模糊的知识,更接近实际工况,目前模糊诊断方法在故障诊断领域的应用较为广泛,使故障诊断的精度得到提高。
BocanialaCD等使用模糊分类器进行故障精确诊断。
对每一种故障,范围从可以忽略的小故障到大型故障,根据故障强度分为20个等级。
值得注意的是,通过试验建立了精确的故障分类表,例如建立了通常使用的大、中、小故障的界限分别为5%~30%,35%~60%和65%~100%。
与以往单一的大、中、小分类相比,把正常状态和故障状态区分开的精度达99。
60%,诊断结果的精度大大提高。
存在的问题是如何建立更加灵活、精确的故障分类表以减少不同故障之间的遗漏。
3)故障树分类法
故障树是一个基于被诊断对象结构、功能特征的行为模型,是一种定性的因果模型。
它以系统最不希望事件为顶事件,以可能导致顶事件发生的其他事件为中间事件和底事件,并用逻辑门表示事件之间联系的一种倒树状结构。
它反映了特征向量与故障向量之间的全部逻辑关系。
4)灰色理论诊断法
灰色系统理论是一种新的理论方法,是用一种新颖思路和独特方法研究利用已知信息来确定系统之未知信息而使系统由“灰”变“白”的过程,又称为系统的“白化过程”。
灰色诊断法通过待测故障状态样本和典型故障样本的关联程度来诊断机械设备的故障,其中的关联度分析是关键。
曹满亮,潘宏侠,董安[]改进在灰色关联法在柴油机故障诊断中的应用。
在分析常规关联度计算方法存在问题的基础上,提出一种改进的灰色关联度对柴油机故障诊断的方法。
针对柴油机故障的特征,对经过降噪后的振动信号,提取时域频域特征值相结合作为特征向量,分别通过改进的灰色关联度方法、常规灰色关联度方法以及灰色神经网络模型对待检测特征向量和标准模式向量进行关联度计算。
对结果进行分析,得知改进的灰色关联度分析方法克服常规灰色关联度容易误判的缺陷,同时验证改进的灰色关联度方法大大的提高柴油机故障诊断的精度,说明该方法是一种有效可行的方法。
3.2神经网络故障诊断方法
对于故障诊断而言其核心技术是故障模式识别,而人工神经网络由于其本身信息处理的特点,如并行性、自学习、自组织、联想记忆功能等,使得其能够出色地解决那些传统模式识别方法难以解决的问题,所以故障诊断是人工神经网络的重要应用领域之一。
目前,已经提出的神经网络大约有几十种,其中较为有名的有贺浦菲特(Hopfield)模型、多层感知器(MultilayerPerceptron,简称MLP)模型、自适应共振理论(AdaptiveResonanceTheory,简称ART)、Boltzmann机、自组织特征映射(Self-OrganizationMap,简称SOM)等。
它们在故障诊断领域的应用主要集中于三个方面:
1)从模式识别角度应用神经网络作为分类器进行故障诊断;
2)从预测角度应用神经网络作为动态预测模型进行故障预测;
3)从知识处理角度建立基于神经网络的诊断专家系统。
祁丽婉,梁庚,童国炜[]基于果蝇算法优化BP神经网络的齿轮箱故障诊断。
本文提出了一种基于果蝇算法对BP神经网络进行优化的方法,将果蝇算法与BP神经网络进行了结合,利用果蝇算法的全局搜索能力,防止BP神经网络在训练中陷入局部最优。
对BP神经网络的网络结构进行优化,减小了训练时间,提高了训练效率。
将该方法应用到了风机齿轮箱的故障诊断中去,结合试验数据对其进行了验证。
验证结果表明,由果蝇算法优化后的BP神经网络的模型比BP神经网络的模型具有更高的准确性和快速性,而且精度更高,能够有效的对风机故障类型进行诊断。
3.3专家系统故障诊断方法
模式识别诊断法和神经网络故障诊断方法都是以数字量为基础的,而专家系统是一种“基于知识”的人工智能诊断系统,它是利用专家的领域知识、经验为故障诊断服务。
目前在机械系统、电子系统、医学领域等故障诊断方面应用很成功。
WYang,DJiang[]基于模糊专家系统的风力发电机故障诊断系统(WindTurbineFaultDiagnosisSystemBasedonAFuzzyExpertSystem)。
Afuzzyexpertsystemwhichcansimultaneouslysupportmanykindsofrulesincludingfuzzyproductionrule,faulttreeanddecisiontreeinaunifiedframeworkareresearched.Fuzzyretealgorithmisadoptedtospeedupthefuzzyreasoningchain.Awindturbinediagnosisexpertsystemisdevelopedbasedonthefuzzyexpertsystem.Experimentdataisemployedtoverifythefeasibilityoftheinferenceengine,andtheresultsshowthatwithproperknowledgeimportedthemisdiagnosisrateislow,theinferenceprocesscanbeexportedandthematchdegreeofthehealthrulecanbeusedasahealthstateindicator.
研究了一种能够同时支持多种规则的模糊生成规则,包括模糊生成规则、故障树和决策树的模糊专家系统。
采用模糊Rete算法加速模糊推理链。
基于模糊专家系统开发了风力发电机组故障诊断专家系统。
以适当的知识输入的误诊率低,推理过程可以导出,健康规则的匹配度可以作为一个健康状态的指标。
ZYYou,NWang,LIMing-Ming等[]基于EEMD和BP神经网络的齿轮箱故障诊断的方法(MethodOfanFaultDiagnosisofGearboxBasedonEEMDandBPNeuralNetwork)。
Accordingtothenon-stationarycharacteristicsofwindturbinegearboxfaultsignal,proposeamethodofwindturbinegearboxfaultdiagnosisbasedonensembleempiricalmodedecomposition(EEMD)andBPneuralnetwork.Firstly,usewavelettodenoisetheoriginalsignal.Then,useE
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 故障诊断 论文 详解