《滚动轴承的智能分析》由会员分享，可在线阅读，更多相关《滚动轴承的智能分析（33页珍藏版）》请在金锄头文库上搜索。
1、智能状态监测与故障诊断测控一班20091398第一章绪论在现代化的机械设备的生产和发展中，滚动轴承占很大的地 位，同时它的故障诊断与监测技术也随着不断地发展，国内外学 者对轴承的故障诊断做了大量的研究工作，各种方法与技巧不断 产生、发展和完善，应用领域不断扩大，诊断精度也不断提高。 时至今日，故障诊断技术己成为一门独立的跨学科的综合信息处 理技术，它以可靠性理论、信息论、控制论、系统论为理论基础， 以现代测试仪器和计算机为技术手段，总的来说，轴承故障诊断 的发展经历了以下几个阶段：第一阶段：利用通用的频谱分析仪诊断轴承故障。第二阶段：利用冲击脉冲技术诊断轴承故障。第三阶段：利用共振解调技术诊断
2、轴承故障。第四阶段：以计算机为中心的故障诊断。国外的滚动轴承的故障诊断与监测技术要先于中国，而且这项 技术的发展趋势啊已经趋向智能化状态，因为它机械化迅速，技术 和设备都比较先进些，目前的技术也比较完善。但是总体来看，这 其中的距离在不断拉近，我们相信不久的将来，中国也会使机械完 善大国，也会完善和提高技术的精密度和准确度。【2】【3】1.轴承监测与故障诊断的意义滚动轴承是机械各类旋转机械中最常用的通用零件部件之 一，也是旋转机械易损件之一，在机械生产中的作用不可取代， 据统计旋转机械的故障有30%是由轴承故障引起的，它的好坏对机器的工作状态影响极大,轴承的缺陷会导致机器剧烈振动和产生噪 音，
3、甚至会引起设备的损坏，因此，对重要用途的轴承进行状态监测 与故障诊断是非常必要的【3】而且，可以生产系统的安全稳定运 行和提高产品质量的重要手段和关键技术，在连续生产系统中， 如果某台设备因故障而不能继续工作，往往会影响全厂的生产系 正常统运行，从而会造成巨大的经济损失，甚至可能导致机毁人 亡的严重后果。未达到设计寿命而出现故障的轴承没有被及时的 发现，直到定期维修时才被拆下来报废，使得机器在轴承出现故 障后和报废前这段时间内工作精度降低，或者未到维修时间就出 现严重故障，导致整部机器陷于瘫痪状态。因此，进行滚动轴承 工作状态及故障的早期检测与故障诊断，对于设备安全平稳运行 具有重要的实际意义
4、。【14】1.2滚动轴承故障的分类：滚动轴承的故障多种多样，有生产过程中产生的也有使用过程 中后天造成一系列故障，其失效形式有：1.2.1疲劳剥落：指滚动体或滚道表剥落或脱皮在表面上形成不规则 凹坑等甚至会一定深度下形成能裂纹，继扩展到接触表面发生剥 落坑，最后大面积剥落，造成失效。【12】1.2.2断裂：由于轴承负荷过大，零件材料缺陷,压配过盈大,影热处理 不良等原因.1.2.3压痕：外界硬粒物质进入轴承中，并压在滚动体和滚道之间， 使转动表面形成压痕，凹坑。当轴承的过载或撞击造成表面部凹陷会产生噪音.1.2.4磨损：滚动体由于辊道贺的相对运动和尘埃异物变卖弄磨损， 润滑不良会加剧表面磨损，
5、表面粗糙度加大，运转精度下降从而振 动水平和噪声增大。1.2.5腐蚀和电蚀：润滑油中水分湿气的诊断与方法化学腐蚀电流的 电腐蚀，和微振作用下形成的腐蚀【14】1.2.6胶合：润滑不良，高速重栽下摸查发热，极端时间温度高，导 致表面烧伤及胶合，张梅军，是发生在滑动阶层接触的两个表面, 一个表面的金属粘贴到另外一个表面的现象.会导致高温,噪音，和 振动.1.2.7塑性变形：过大的冲击负荷可以使接触表面局部塑性变形。从而 导致明显的形变，造成失效。【2】1.3滚动轴承监测诊断方法与传感手段对轴承故障的诊断方法有很多种，但无论是温度监测，噪音诊 断，振动诊断等各方面都需要传感手段来实现，因为现代机械如
6、 滚动轴承，它们都不是人工容易准确监测很诊断的，传感器是感器 信息融合，有很多较好的传感手段在轴承的故障监测诊断很实用。1.3.1光纤传感器振动,温度是利用信号光束的光纤输出R端面的 参考光束对比得出故障的部位简单而又准确.1.3.2电感式传感器轴的径向跳动，电感测微仪可以测量小尺度变 化的精密测量仪器，可以测量轴的物理性能，如径向跳动等【9】1.3.3温度传感器间隙和油流动的会导致温度变化，通常，轴的温度随着运转开始慢慢上升，1-2小时后达到稳定状态。如果润滑、 安装部不合适，则会导致轴承温度急骤上升，出现异常高温，这 时必须停止运转，采取必要的防范措施。使用热传感器可以随时 监测轴承的工作
7、温度，并实现温度超过规定值时自动报警或停止， 防止燃轴等事故的发生【1】1.3.4超声波传感器超声波的穿透能力很强衰减和弱，利用超声波 的入射和反射波形的变化情况可以判断出滚动轴承的故障类型和 部位，这项技术现在运用得比较广泛【8】1.4故障诊断分析方法:1.4.1时域分析：应用时间序列模型及其有关的特性函数，判别轴承 的运行状态及故障形成的原因。振动信号的位移，速度，加速度，构 成时域波型，包括统计特征参量分析，相关分析，时域同步平均法，1.4.2频域分析：应用频谱分析技术，根据频谱特征变化以时间为横 坐标的时域信号通过傅立叶。玖分解为一频率为横坐标的频 域信号，从而得到关于原频域和时域成分
8、的复制于相位信息的一种 变换方法。包括，复制普分析法，相位谱分析法，平均谱分析法， 功率谱分析法，对数谱分析法，倒频普分析法，已经成为诊断的主 要内容了。是建立在时间或者是频率上分析所得信号的能量强度, 将其与正常的轴承信号进行对也得出故障的发生的部位。【12】【13】1.4.3时频域分析（小波分析及分形分析）：小波分析是傅立叶分析的 继承和发展，可判别故障性质，当轴承发生故障时，会发出非平稳 信号,在滚动轴承的故障分析中，构造了脉冲响应小波,也就是当轴 承某部分发生故障时，轴承缺陷产生脉冲冲击响应，通过对尺度-小 波能量普的比较来定性判断轴承故障的部位和类型,是通过振动信 号的冲激周期，固有
9、振动频率的振动波型，冲激响应小波波型,等方 法分析信号【6】分形分析是将面对的复杂对象看成是分数维数，成一个连续函 数，实现了滤波，在有限时间内和某一有限频率下得到的信号都是 由不同的分形特征，可监测故障。【13】1.4.4极大熵谱法：对于正常轴承和故障轴承的振动曲线，分别取 1024个采集点进行图像分析，给出各种状态小啊的他的公路谱曲线 及其相对应的极大熵谱曲线，极大熵谱曲线表现出的卓越峰值与理 论值比较，得出故障部位。【11】1.4.5倒频谱及希尔伯特包络分析法：由倒频谱图，正常和异常状态 下的，图中会显示有故障的滚动轴承出现两条醒目的曲线，其倒 频谱率和理论上滚珠，内圈的故障频率一致，从
10、而反映出了故障频 率特征，可诊断出故障的原因和部位。【12】1.5人工智能在滚动轴承故障监测中的应用神经网络是智能控制技术的重要部分，它具有逻辑思维与判断， 不需要建立任何数学模型，主要用于非性系统辨识和神经网络控制 及故障诊断。智能化故障诊断还有模糊诊断和专家系统等比较智能 的能进行信号自动分析和处理的功能，它的发展趋势是趋向于故障 诊断的自动监测状态，既准确又灵敏度高。1.5.1模糊神经网络诊断方法，有处理语言知识的能力。模糊神经网络是利用隶属度函数来推理进行统计分析数据的智能化的机械监测。1.5.2专家系统，现在是人工智能的三大研究前沿，是以计算机的知 识库来储存和使用一切有用信息的系统
11、结合，对滚动轴承故障的诊 断与监测有很大的作用，能自行分析和处理信号【10】1.5.1人工神经网络，由输入输出反馈的前馈网络前馈内层互馈网络， 反馈型全互联网络和反馈性局部连接网络，构成，智能式传感器， 和传统的相比，它具有逻辑思维与判断，信息处理功能，具有自诊 断自小准功能，可实现多传感器多参数复合测量，扩大了监测和使 用范围，监测数据可存取，使用方便，具有数字通信接口，能与计 算机直接联机，相互交换信息，对滚动轴承的故障诊断与监测应用十分重要。【7】人工神经的模型，有BP网络，是一种反传式向前网络，学习 因子和记忆因子有选择，提高网络训练技巧，以简单地网络层次 分析信号，对滚动轴承的故障监
12、测应用也在提升。它的工作原理 是1.先进行确定神经元的个数隐含层神经的确定；2.进行网络 误差的计算，选择出误差最小的隐含层神经元个数；3.进行网络 训练，把故障和正常的轴承进行训练，为最后的神经识别作准备,这 样的过程就可以【4】紧密结合的小波神经网络，滚动轴承原始特征信号为行波信 号，以松散小波神经网络模型对轴承故障原始信号进行小波分解 后，进行特征的选择与提取，取适当的子频带能量作为输入向量， 得到轴承故障类别输出，此时选用的也是BP网，这是比较准确的 小波，分析方法，在轴承故障诊断中有非常大的作用。【5】绪言在轴承的运动监测和故障诊断电为了直观,方便,常常在MATLAB软 件进行傅立叶
13、变换进行频域特征的分析和判断其好坏状态，从物理效 果看，傅立叶变换是将图像从空间域转换到频率域，一个模拟信号， 经过ADC采样之后，就变成了数字信号。采样定理告诉我们，采样 频率要大于信号频率的两倍，把数字信号进行分析处理最后可以做出 判断.将传感器测取的滚动轴承振动信号接入电荷放大器进行信号放 大，再通过A/D卡转换为计算机可以识别和处理的数字信号并接入 计算机。在计算机上利用Mat lab编程实现以下功能：通过时域和频 域分析提取有效特征向量，利用BP神经网络进行模式识别判断故障 类型（故障轴承或正常轴承），从而实现滚动轴承智能化故障诊断。 借助MATLAB进行运算。一数据说明：本实验中，
14、轴承共有两种状态，即正常Z）和故障（G）。且变 频器在频率为20Hz,25Hz,30Hz的工况条件下，两种状态各采集10组数 据。选用采样频率10KHz，采样点数为20000，故采样时间为2s。 G3015 ：故障error，30：变频器频率，15:15共5组数据。 Z30610Z：正常normal，30：变频器频率,。610:610共5组。 这些数据是原始状态下的,要进一步分析和判断轴承的故障状态还是 正常状态的直观表达，需要下列处理。下面选择30HZ的采样数据进 行分析处理，数据图表如下：表1采样种类123频率20HZ25HZ30HZ表2状态故障轴承样本G301G30 2G30 3G30
15、4G305G306G307G308G309G310字信号，全过程处理和分析数据如下图:二 数据倒入/21倒入数据程序：G3015=load(D：课下作业Experimental dataErrorG3015.txt*);按照这样的模式的导入 Z3015和G3015和 G30610程序将其它各组数据依次倒入后便可以进行分析处理拉。2.2进行数据用程序a=G3015;G301=a(1:20000)分组,作标号相应的 改变分组最后得到G301-G3010;Z301-Z3010；可以得到故障轴承的 原始信号图。程序:subplot(211);a=G3015;G301=a(1:20000);plot(G301);subplot(212);b=Z3015;Z301=b(1:20000);plot(Z301)G30120-2-4-600.20.40.60.811.21.41.61.82x 104Z3010-1-2-3-400.20.40.60.811.21.41.61.82x 104从图形可以看出故障轴承和正常轴承有很大的差别，但是为了更好地说明故障和正常的情况，图形并不关于零点对称。三信
