故障诊断内容和方法Word下载.docx

故障诊断内容和方法Word下载.docx

《故障诊断内容和方法Word下载.docx》由会员分享，可在线阅读，更多相关《故障诊断内容和方法Word下载.docx（10页珍藏版）》请在冰豆网上搜索。

机械故障诊断学是一门近三十年内发展起来的新学科。

他随着机器不断完善化、复杂化和自动化而发展起来的。

机器在运行过程中内部零件受到力、摩擦、磨损等多种作用，其运行状态不断变化，一旦发生故障，往往会导致严重后果。

所以必须在事故发生前就查明，并加以消除。

诊断，即根据设备运转过程中产生的各种信息，识别机器（包括设备、工程结构及工艺过程）是否发生了故障，并进行失效分析，达到预防、改进设备设计的目的。

由此我们可以看出机械故障诊断学是识别机器或机组运行状态的科学，研究的是机器或记住运行状态的变化在诊断信息中的反映。

内容包括对机器运行状态的识别、预测和监个方面。

整个诊断过程如下图一所示。

图一、机械故障诊断过程

2、诊断信息的来源和获取

机器在运行过程中获取诊断信息的常用方法有直接观察、振动噪声检测法、磨损残余物测定法、整机性能测定法等等。

当然现今传感器的运用已经无处不在，更有不少传感器中集成了微型处理器，如今高精端的设备制造中，都大量采用传感器技术来采集信号，并且传感器也日益向生活大众机器普及。

传感器的大量运用为信息的数字化和网络化提供了基础。

3、机械故障诊断的几种类型

功能诊断和运行诊断、定期诊断和连续监控、直接诊断和间接诊断、常规工矿下诊断和特殊工况下诊断

4、诊断技术现状和发展

（1）信号分析与处理

　　从传统的谱分析、时序分析、时域分析，开始研究先进的短时傅立叶分析、Wigner分析、小波变换等分析方法。

（2）传感器技术

　　国内目前使用的许多类型的传感器在可靠性、稳定性等方面需进一步提高。

（3）人工智能和专家系统

　　近来这方面的研究和应用几乎成了诊断技术发展的主流，但在工程应用上远未达到人们所期望的。

由于故障的诊断软件上关键在于信号处理，因此本篇论文注重讨论信号处理方面。

并收集了相关例子。

二、信号处理

1、机械图像概念及其采样

我们在图一中提到了机械图像，即指机械系统在运行过程中各种随时间而变化的动态信息，如振动、噪声、温升、压力以及反映机器状态的各种参数，经过各种动态测试仪器拾取，并用记录仪器记录下来的图像。

这是机械故障诊断的原始依据。

这些机械图像按照性质可以分为三类：

随机信号图像、周期信号图像和瞬时信号图像。

二十几测量记录到的图像往往是这三种图像的组合，因此需要对该信号进行后处理、分析。

现在如今计算机技术得到了普遍的运用，而传感器所接受的信号确实模拟信号（即连续信号），这样在采集信号时就需要将这些信号离散化，即模数转换（A/D）——利用采样脉冲序列p（t）,从模拟信号x（t）中按一定时间间隔Δt逐点抽取一系列离散样值。

2、信号的分析

信号经过采样后有多种分析方法，例如时域分析、频域分析、倒频谱分析、小波分析以及神经网络的运用等等，下面简单介绍其中的小波分析和BP神经网络概念。

小波分析：

小波分析是建立在小波变换基础之上的，公式如下

具有以下特点：

1对非平稳信号进行时域分析，其时频局部化方式是：

在高频范围内时间分辨率高，在低频范围内频率分辨率高。

对高频信号有较高的频率分辨率，对低频信号有较大的时间分析长度。

2信号的分解和重构可有针对性地选择有关频带信息，剔除噪声干扰；

3在全频带内正交分解的结果，信号量既无沉余也无遗漏；

4若非平稳信号有低频长波期叠加高频短波期组成，小波变换是最理想的分解工具。

正是由于这些性质，我们也可以运用其来降低测试信号中的噪声。

信号降噪的目的就是从被污染的信号中,尽最大可能的恢复有效信号，最大限度的抑制或消除噪声。

由于小波变换可以使一个信号的能量在小波变换域中集中于少数系数上，小波系数较大者，携带信号能量也较多；

小波系数较小者，携带信号能量也较少。

所以降噪过程主要进行以下处理：

首先对原始信号进行小波分解，则噪声部分通常包含在高频系数中；

然后对小波分解的高频系数以门限阈值等形式进行量化处理，使噪声的小波系数减弱或为零，最后，进行小波变换的逆变换，恢复原始信号，即可达到降噪的目的。

归纳起来，信号的降噪过程可分为以下三个步骤。

①信号的小波分解；

②对各级高频系数用不同的阈值量化；

③对量化后的系数进行重建，得到去噪后的信号。

神经网络：

BP神经网络是多层前馈神经网络，它的名字源于网络权值的调整规则，采用的是后向传播学习算法，既BP算法。

BP网络是目前应用最广的神经网络之一，BP网络是由一个输人层，一个或多个隐层以及一个输出层组成，上下层之间实现全连接，而每层神经元之间无连接。

网络的学习过程包括正向传播和反向传播。

在正向传播进程中，输人信息从输人层经隐层加权处理传向输出层，经功能函数运算后得到的输出值与期望值进行比较，若有误差，则误差反向传播，沿原先的连接通道返回，通过逐层修改各层的权重系数，减小误差。

随着这种误差逆向传播修正的不断进行，网络对输入模式响应的正确率也不断上升。

研究表明：

带有两个隐层的BP网络能形成任何形状的决策区域。

当BP网用作非线性映射时，允许网络实现输人到输出之间的任意映射关系，即可建立故障征兆空间与故障空间的某种映射关系，每当给出一个实测的故障征兆矢量，网络即能通过状态演化（前传和联想）收敛到与其最相近的模式，从而诊断其故障原因。

三、实例分析——柴油机故障诊断

柴油机的使用普遍，其故障诊断具有广泛的实际用处。

利用柴油机工作时缸盖的振动信号进行故障诊断，是一种不拆分，不停机的在线检测，具有很强的实际应用价值。

该例在分析了五种工况下缸盖振动信号所包含的特征后，提取多个特征参数，并输入多参数神经网络系统，得出相关结论。

①柴油机缸盖振动信号的测量

实验对象是三缸四冲程柴油机，实验系统构成框图如图二所示。

同步采集三路信号，第一路为一缸缸盖振动信号。

第二路为二缸缸盖振动信号。

第三路为第三缸高压油管的油压信号，外卡式油压传感器安装在第三缸的高压油管，用来指示各缸的工作时刻及定位缸盖振动信号时刻。

发动机转速和采样频率统一为确定值，且故障均设置在1缸和2缸。

图二、柴油机缸盖振动分析系统

②缸盖振动信号分析

首先分析一缸缸盖振动信号的时域图与时频分析，其它各缸各冲击与一缸一样。

由柴油机工作相位可以推断出图三中各个数字代表的位置是：

1-缸燃爆；

2-二缸燃爆；

3-三缸燃爆；

4-缸排气门关闭；

5-缸进气门关闭。

由时频分析图可以看出信号在各个频段均存在不同幅值的干扰噪声。

在图3中将信号作三层分解后可以看出各个各频段干扰噪声的幅值大小，通过设置对应于这些幅值的降噪阈值，即可有效去除噪声干扰。

由图四可以看出各层小波系数对应的噪声幅值分别为a3，0.1v；

d3，0.01v；

d2，0.03v；

d1，0.08，故将这些值设为小波降噪时的各层阈值。

图三、正常工况一缸缸盖振动信号

图四、正常工况一缸振动信号三层分解

图五、振动信号降噪前后比较

③故障特征分析

本文在柴油机转速为1200r/min下共设置5种工况来进行识别，分别是

（1）正常工况

（2）第一缸失火（3）第二缸失火（4）排气门间隙过大（5）进气门间隙过大。

失火故障通过断开高压油管模拟。

图六～八为各工况时的振动波形图，可以看出一缸失火时，一缸的燃爆冲击响应1消失；

排气门间隙过大时排气门关闭冲击响应4变大；

进气门间隙过大时进气门关闭冲击响应5变大；

同理别的缸失火或气门间隙发生变化时，相应缸的缸盖振动信号也会发生同样的变化。

利用这一点我们就可以判断出相应故障。

图六、一缸失火时一缸缸盖振动信号

图七、一缸排气门间隙过大时一缸缸盖振动信号

图八、一缸进气门间隙过大时一缸缸盖振动信号

④故障特征提取

根据不同故障下缸盖振动信号的特点，分别提取各缸加速度传感器测得的燃爆段振动信号（图中冲击信号1）作为相应各缸失火故障的诊断；

提取各缸加速度传感器测得的排气门关闭段的振动信号（图中冲击信号4）作为相应各缸排气门间隙检测的依据；

提取各缸加速度传感器测得的进气门关闭段的振动信号（图中冲击信号5）作为相应各缸进气门间隙检测的依据。

这些信号段提取后先作小波降噪，再提取平均幅值，标准差，峭度指标作为故障特征输入相应的神经网络。

例如燃爆段提取的三个参数就输入失火诊断网络，气门关闭响应段提取的参数就输入相应的气门检验神经网络。

这三个参数可以选择平均幅值、标准差和峭度

⑤神经网络分类结果

每个工况用上述方法提取30个样本，用前一半样本进行训练，用后一半样本做检验样本。

识别结果见下表。

四、小结

我们在相关硬件条件不能很大提高，或者在预算相对较低情况下，可以通过改进信号的分析方法，进而更准、更快的找到故障所在，这在当今高速发展的现在，具有很大的实际应用价值。

五、参考文献

[1]屈粱生何正嘉机械故障诊断学上海：

上海科学技术出版社.1986.12

[2]卢文祥杜润生机械工程测试.信息.信号分析武汉：

华中科技大学出版社.2010.1

[3]王鹏张蕾牟珊张蕾牟珊柴油机故障诊断相关技术研究.2010.4

[4]钟秉林黄仁．机械故障诊断学．北京：

机械工业出版社，2002.

[5]张梅军唐建．机械设备状态监测与故障诊断．南京：

工程兵工程学院，2000.