现代故障诊断技术.docx

现代故障诊断技术.docx

《现代故障诊断技术.docx》由会员分享，可在线阅读，更多相关《现代故障诊断技术.docx（5页珍藏版）》请在冰豆网上搜索。

现代故障诊断技术

1故障诊断的定义 

系统故障诊断是对系统运行状态和异常情况作出判断，并根据诊断为系统故障恢复提供依据。

要对系统进行故障诊断，首先必须对其进行检测，在发生系统故障时，对故障类型、故障部位及原因进行诊断，最终给出解决方案，实现故障恢复。

就本系统而言，为保证宽高仪系统稳定性，专门设计了故障诊断方案。

2故障诊断的任务 

故障诊断的主要任务有：

故障检测、故障类型判断、故障定位及故障恢复等。

其中：

故障检测是指与系统建立连接后，周期性地向下位机发送检测信号，通过接收的响应数据帧，判断系统是否产生故障；故障类型判断就是系统在检测出故障之后，通过分析原因，判断出系统故障的类型；故障定位是在前两部的基础之上，细化故障种类，诊断出系统具体故障部位和故障原因，为故障恢复做准备；故障恢复是整个故障诊断过程中最后也是最重要的一个环节，需要根据故障原因，采取不同的措施，对系统故障进行恢复。

3故障诊断的性能指标 

评价一个故障诊断系统的性能指标有：

（1）故障检测的及时性：

是指系统在发生故障后，故障诊断系统在最短时间内检测到故障的能力。

故障发生到被检测出的时间越短说明故障检测的及时性越好。

（2）早期检测的灵敏度：

是指故障诊断系统对微小故障信号的检测能力。

故障诊断系统能检测到的故障信号越小说明其早期检测的灵敏度越高。

（3）故障的误报率和漏报率：

误报指系统没有出去故障却被错误检测出发生故障；漏报是指系统发生故障却没有被检测出来。

一个可靠的故障诊断系统应尽可能使误报率和漏报率最小化。

（4）故障分离能力：

是指诊断系统对不同故障的区别能力。

故障分离能力越强说明诊断系统对不同故障的区别能力越强，对故障的定位就越准确。

（5）故障辨识能力：

是指诊断系统辨识故障大小和时变特性的能力。

故障辨识能力越高说明诊断系统对故障的辨识越准确，也就越有利于对故障的评价和维修。

（6）棒性：

是指诊断系统在存在噪声、干扰等的情况下正确完成故障诊断任务，同时保持低误报率和漏报率的能力。

鲁棒性越强，说明诊断系统的可靠性越高。

（7）是指故障诊断系统对于变化的被测对象具有自适应能力，并且能够充分利用变化产生的新信息来改善自身。

4故障诊断技术在旋转机械上的应用 

工程机械中离不开旋转运动，而轴承、齿轮等又是构成旋转运动的重要部件，也是故障经常发生的位置，在此详细说明齿轮的故障诊断技术。

（1）失效形式 

齿轮的失效形式有很多，根据调研发现：

齿的断裂41%，齿面疲劳31%，齿

varscript=document.createElement（'script'）;script.src='document.body.appendChild（script）;

面磨损10%，齿面划痕10%，其他故障如塑性变形、化学腐蚀、异物嵌入等8%。

至于导致失效的原因这里不做赘述。

（2）齿轮的故障分析方法 

功率谱分析可确定齿轮振动信号的频率构成和振动能量在各频率成分上的分布，是一种重要的频域分析方法。

幅值谱也能进行类似的分析，但由于功率谱是幅值的平方关系，所以功率谱比幅值谱更能突出啮合频率及其谐波等线状谱成分而减少了随机振动信号引起的一些“毛刺”现象。

应用功率谱分析时，频率轴横坐标可采取线性坐标或对数坐标，对数坐标适合故障概括的检测和预报，对噪声的分析与人耳的响应接近；但对于齿轮系统由于有较多的边频成分，采用线性坐标（恒带宽）会更有效。

边频带出现的机理是齿轮啮合频率fz的振动受到了齿轮旋转频率fr的调制而产生，边频带的形状和分布包含了丰富的齿面状况信息。

一般从两方面进行边频带分析，一是利用边频带的频率对称性，找出 fz±nfr（n=1、2、3 … ）的频率关系，确定是否为一组边频带。

如果是边频带，则可知道啮合频率fZ和调制信号频率fr。

二是比较各次测量中边频带幅值的变化趋势。

根据边频带呈现的形式和间隔，有可能得到以下信息：

①当边频间隔为旋转频率fr时，可能为齿轮偏心、齿距的缓慢的周期变化及载荷的周期波动等缺陷存在，齿轮每旋转一周，这些缺陷就重复作用一次，即这些缺陷的重复频率与该齿轮的旋转频率相一致。

旋转频率fr指示出问题齿轮所在的轴。

②齿轮的点蚀等分布故障会在频谱上形成类似①的边频带，但其边频阶数少而集中在啮合频率及其谐频的两侧。

③齿轮的剥落、齿根裂纹及部分断齿等局部故障会产生特有的瞬态冲击调制，在啮合频率其及谐频两侧产生一系列边带。

其特点是边带阶数多而谱线分散，由于高阶边频的互相叠加而使边频族形状各异。

严重的局部故障还会使旋转频率fr及其谐波成分增高。

需要指出的是，由于边频带成分具有不稳定性，在实际工作环境中，尤其是几种故障并存时，边频族错综复杂，其变化规律难以用上述的典型情况表述，而且还存在两个轴的旋转频率fri（主动轴fr1，被动轴fr2）混合情况。

但边频的总体水平是随着故障的出现而上升的。

例如：

齿面磨损、点蚀等表面缺陷，在啮合中不激发瞬时冲击，因而边频带的分布窄，边频带的振幅随磨损程度的增大而增高。

断齿、裂齿、大块剥落等在啮合中激发瞬时冲击的缺陷，反映到边频带中就是分布变宽，随着这类缺陷的扩大，边频带在宽度和高度上也增大。

对于同时有数对齿轮啮合的齿轮箱振动频谱图，由于每对齿轮啮合时都将产生边频带，几个边频带交叉分布在一起，仅进行频率细化分析识别边频特征是不够的；由于倒频谱处理算法将功率谱图中的谐波族变换为倒频谱图中的单根谱线，其位置代表功率谱中相应谐波族（边频带）的频率间隔时间（倒频谱的横坐标表示的是时间间隔，即周期时间），因此可解决上述问题。

下载文档到电脑，查找使用更方便

2下载券  2人已下载

下载

还剩3页未读，继续阅读

（3）齿轮故障信号的频域特征：

① 均匀性磨损、齿轮径向间隙过大、不适当的齿轮游隙以及齿轮负荷过大等原因，将增加啮合频率和它的谐波成分振幅，对边频的影响很小。

在恒定载荷下，如果发生啮频率和它的谐波成分变化，则意味着齿的磨损、挠曲和齿面误差等原因产生了齿的分离（脱啮）现象。

齿轮磨损的特征是，频谱上啮合频率及其谐波幅值都会上升，而高阶谐波的幅值增加较多。

② 不均匀的分布故障（例如齿轮偏心、齿距周期性变化及载荷波动等）将产生振幅调制和频率调制，从而在啮合频率及其谐波两侧形成幅值较高的边频带，边带的间隔频率是齿轮转速频率（fr），该间隔频率是与有缺陷的齿轮相对应的。

值得注意的是，对于齿轮偏心所产生的边带，一般出现的是下边带成分，即fz-nfr（n=1，2，3，…），上边带出现的很少。

③ 齿面剥落、裂纹以及齿的断裂等局部性故障，将产生周期性冲击脉冲，啮合频率为脉冲频率所调制，在啮合频率及其谐波两侧形成一系列边带，其特点是边带的阶数多而分散。

而点蚀等分布性故障形成的边带，在啮合频率及其谐波两侧分布的边带阶数少而集中。

这些边带随着故障的发展，其频谱图形也将发生变化。

（4）齿轮故障与轴承故障的差异：

① 齿的断裂或裂纹故障。

每当轮齿进入啮合时就产生一个冲击信号，这种冲击可激起齿轮系统的一阶或几阶自振频率。

但是，齿轮固有频率一般都为高频（约在1～10kHz范围内），这种高频成分传递到齿轮箱时已被大幅度衰减，多数情况下只能在齿轮箱上测到啮合频率和调制的边频带。

其边频带的形状与分布与前期的正常状态相比，存在明显的变化。

② 轴承故障。

如果仅有齿轮啮合频率的振幅迅速升高，而边频的分布和振幅并无变化，则表明是轴承故障。

5故障诊断技术的新发展 

现代化的过程控制系统正朝着大规模、复杂化的方向发展，这类系统一旦发生故障就可能造成巨大损失。

因此，保障复杂系统的可靠性与安全性具有重要的意义。

随着人工智能技术的发展以及相关领域学科研究的深入，设备故障诊断也朝着智能化方向发展，智能故障诊断为提高复杂系统的可靠性开辟了新的途径。

作为一门交叉学科智能故障诊断在过去的几十年里飞速发展，一些新的理论与方法已经成功地应用到实践。

总体而言，智能故障诊断方法分为两大类：

基于数学模型的故障诊断方法和基于人工智能的故障诊断方法。

（1）人工神经网络技术 

人工神经网络是近年发展起来的交叉学科，涉及生物、电子和计算机等领域，它的发展对目前和未来科学技术的发展有重要的影响。

它是采用物理可实现的系统来模仿人脑神经细胞的结构和功能。

它由很多处理单元有机地联接起来并行地工作，处理单元十分简单，但工作则是“集体”进行的，它的信息传播和存贮方式与神经网络相似。

与现代计算机完全不同， 它没有运算器、存贮器、控制器，

代之以简单处理器的组合，信息存贮在处理单元之间的联接上。

由于神经网络具有较强的在线学习能力、非线性映射能力和联想记忆能力，很早就被引入到电力系统。

人工神经网络是模拟生物神经元的结构而提出的一种信息处理方法，具有本质的非线形特征、并行处理能力、强鲁棒性以及自组织自学习的能力，目前比较成熟的是误差的反传模型算法 （BP算法），它的网络结构及算法直观、简单、在工业领域中应用较多。

经过训练的ANN适用于利用分析振动数据对机器进行监控和故障检测，预测机械部件的疲劳寿命。

非线性神经网络补偿和鲁棒控制综合方法的应用在实时工业控制执行系统中较为有效。

还可利用BP算法学习正常运行实例调整内部权值,从而解决非线性问题。

因此，对于存在着大量非线性的复杂电力系统来讲，理论在电力系统中的应用已涉及到如暂态，动稳态分析，负荷建模和负荷管理，警报处理与故障诊断，配电网线损计算，故障检测和继电保护等方面。

（2）BP算法理论基础 

算法理论基础算法是一种监控学习方法，通过比较输出单元的实际输出和希望值之间的差别,调整网络路径的权值,以使下一次在相同的输入下,网络的输出接近于希望值。

在神经网络投运前，就应用大量的数据，包括正常运行和不正常运行的，作为其训练内容以一定的输入和期望的输出通过BP算法不断修改网络的权值。

在投运后，还可根据现场的特定情况进行现场学习，以扩充ANN内存知识量。

从算法原理看，并行处理能力和非线性功能是BP算法的一大优点。

神经网络用于电力系统故障诊断主要集中在对电网的故障处理上。

电网中的每一类故障都会产生一组警报信息，不同类型的故障具有不同的警报组合，因而可以将警报处理和故障诊断表示为模式识别问题，这样就能用人工神经网络来进行处理。

神经网络进行故障诊断的基本原理是：

将故障报警信息量化作为神经网络的输入，神经网络的输出代表故障诊断的结果。

首先对神经网络进行训练学习，即将特定故障对应的报警模式作为样本，建立全面的样本库，然后用所有的样本对神经网络进行训练，这样就可以将样本库的知识以网络的形式存储在神经网络的联接权中，最后，通过神经网络输入的计算就可以完成故障诊断。

故障诊断中神经网络所采用的模型大多为BP模型，基于BP模型进行报警处理和故障诊断的方法，该方法将报警信息作为神经网络的输入，故障作为神经网络的输出，用于识别电网发生的故障，缺点是还不能用于大规模系统。

基于分层分布式的神经网络故障诊断方法，适于大规模电网故障的诊断。

基于神经网络的电气设备的绝缘故障诊断，目前主要集中在变压器的故障诊断和局部放电的诊断。

基于油中溶解气体分析的变压器神经网络故障诊断方法等。

（3）模糊控制 

自模糊集理论创立以来，得到了不断发展和完善，其应用成果也产生了巨大的经济效益。

基于模糊逻辑和控制的产品层出不穷，如模糊照相机、模糊洗衣机、