转子泵组设备故障诊断技术三个阶段

2013/12/22 8:45:47      点击:

美国是最早开展设备状态监测和故障诊断的国家之一。20世纪60年代,由于发生了一系列由于设备故障酿成的惨剧,美国军方和政府有关部门开始对故障诊断重视。成立了美国机械故障预防小组(MFPG),开始有组织地开发监测与诊断技术。美国机械工程师协会在静设备故障诊断方面取得了重要成果,Johns Mitchel公司的超低温水泵和空压机监测技术,SPIRE公司在军用机械轴与轴承方面的诊断技术也在国际上处于领先地位。目前,美国的军用飞机都装上了功能强大的状态监测与故障诊断系统。英国的机器保健中心和沃福森工业维修公司(W硼协I)与20世纪70年代也开始研究状态监测与故障诊断技术。瑞典SPM仪器公司的轴承监测技术,丹麦B&K公司的传感器制造技术也占有领先地位。日本的故障诊断技术在民用工业中发展较快,如钢铁、化工、铁路。日本的一些高校从事一些基础性的研究,而日本的一些企业则把研究工作放在企业内部,以生产为中心来开展,具有较高的应用水平。在我国,随着30万吨合成氨等一大批石化装置的引进,某些装置的机组事故频发,促进了对故障诊断技术的重视。从20世纪80年代开始,我国一些高等院校相继对故障机理、诊断方法及简易监测诊断仪器进行研究和研制。一些专门的研究机构也相继成立,如化工部振动检测中心、中国石化总公司设备状态检测中心、冶金部设备诊断研究室等。目前我国的设备状态监测与故障诊断技术与英美日等发达国家的差距已大大缩短,在计算机监测与故障诊断的如软件开发等方面,已经达到同期世界先进水平,完全可以满足实际生产的需要。转子泵组的应用,只是冰山一角。
设备状态监测与故障诊断技术的实质是了解和掌握设备在运行过程中的状态,评价、预测设备的可靠性,早期发现故障,并对其原因、部位、危险程度等进行识别,预测故障的发展趋势,并针对具体情况作出决策。其具体的过程可分为状态监测、分析诊断和治理预防三个环节,如图所示。
当设备发生故障时,其工作状态表现为异常,如振动变得剧烈,噪音变大,温度、压力会出现较大的波动,油液中的成分发生改变等等,这些都可以作为故障的依据,可以分别用振动传感器、温度传感器、压力传感器采集这些参数来监测其变化。振动信号能快速地、准确地反映设备的工作状态,其中包含了丰富的信息,可以作为状态监测与故障诊断的一个很有效的信息量。目前,振动监测法是发展最快也是最成熟的一种机械故障诊断方法,在机械故障诊断领域得到了广泛而成功的应用。目前,振动信号分析与处理方法主要有幅域分析法、频域分析法、时域分析方法、时频分析法、时序分析法。
状态识别主要集中在人工神经网络、逻辑诊断法、统计诊断法、专家系统、灰色系统、对比分析法、模糊状态识别、等人工智能领域。在实际应用中,更多的是将信号处理、特征提取和状态识别方法有机地结合在一起,发展智能化的诊断方法和技术。

                    图 状态监测与故障诊断的三个阶段
目前对振动信号的分析一般依赖于计算机,而计算机处理的只能是数字信号,所以要通过A/D转把传感器测得的模拟信号转换为数字信号。以前对数据的采集一般用数据采集卡,用户可以自己编制驱动程序驱动它工作,但是数据采集卡要安装到台式机的插槽里,这在现场测试时很不方便。近年来很多公司都开始开发并生产USB接口的数据采集仪,可以通过USB接口直接与笔记本电脑连接,笔记本电脑携带方便,很适合现场测试网。
信号的幅域分析即是在幅值上对信号进行统计分析。常用的有量纲幅域诊断参数包括均值、最大值、最小值、均方根、歪度、峭度等。有量纲幅域诊断参数虽然会随着故障的发展而上升,但也会因工作条件的改变而变化,实际中很难加以区分,为了突出幅域诊断参数对故障的敏感性,引入无量纲幅域参数,常用的有:波形指标、峰值指标、脉冲指标、裕度指标和峭度指标,这些指标不随信号幅值和频率的变化而变化,可以在实际中更好地区分。峭度指标、裕度指标和脉冲指标对于冲击脉冲类故障比较敏感,它们对早期故障有较高的敏感性,但稳定性不好。均方根值的稳定性较好,但对早期故障信号不敏感。为了兼顾敏感性和稳定性,取得较好的效果,常将它们同时应用。
时域分析的特点是针对信号的时间顺序,即数据产生的先后顺序进行分析。在时域中提取信号特征的方法主要有相关分析和时序分析。相关分析又分为自相关和互相关。
自相关函数用来描述一个随机过程一个时刻与另一个时刻数据间的依赖关系。当设备运行正常时,其自相关函数比较平稳,而当其有周期性冲击故障时,自相关函数就会周期性地出现较大峰值。互相关函数用来表示两组数据之间的依赖关系,相比于自相关函数,对于给定了输入信噪比样本长度的周期信号,互相关函数可以提供信噪比更高的输出,即互相关函数可以更好的从复杂信号中提取周期性信号。时序分析法是根据样本数据建立时间序列模型,包括自回归滑动平均模型ARMA(n,m)及其特例自回归模型AR(n)。
AR(n)模型因具有建模速度快、要求计算机内存小的优点而得到广泛的应用,目前在状态监测中主要使用的是AR(n)模型。通过模型参数估计得到的自功率谱密度函数ARMA(n,m)谱的频率分辨率在数据较短时比传统的傅里叶谱要高。
伴随着故障的发生和发展,信号的频率结构会发生变化,因此频域分析是机械故障诊断中使用最广泛的信号处理方法之一,频域分析的手段是频谱分析。信号的频域分析包括幅值谱分析、相位谱分析和功率谱分析。在工程信号分析中,频域分析大都依赖于傅里叶变化实现,傅里叶变换在数字信号处理领域是一项传统而成熟的方法。在设备故障诊断中,频谱分析常和包络分析、共振解调技术相结合。
传统的傅里叶分析适于处理平稳信号,而设备的故障信号大多是非平稳的信号,由此出现了一些时频分析方法,即将信号转换到时间.频率二维平面上。到目前为止时频分析方法主要有短时傅里叶变换(S1rI叮)、小波分析、Wigner-Ville分布(WVD)、Gabor变换和希尔伯特黄变换。傅里叶变换只能反映信号的整体特征而对信号的局部特征没有任何分析能力,时频分析技术改善了这一缺陷,可以把时域分析和频域分析结合起来。
根据Heisenberg测不准原理,Gabor变换和短时傅里叶变换的时频局部化能力是有限的。当然,某些应用就没有涉及到这个限制性,比如应用于转子泵组的故障诊断。
Wigner-Ville分布不是线性处理方法,会产生多余的成分而干扰信号处理的有用成分,从而影响了Wigner-V'llle分布的实际应用。小波变换是近年来发展起来的一个数学工具,它具有以下特点:在高频范围内时间分辨率高,在低频范围内频率分辨率高,既适合于分析平稳信号也适合分析非平稳信;有快速算法.Mallat算法;利用离散小波变换可以将信号分解到各个频带上。鉴于以上优点,小波变换在很多领域得到了广泛的应用,在机械状态监测与故障诊断领域的应用也很广,包括以下方面:信号降噪,利用小波交换模极大值和小波分解提取故障信号特征,结合神经网络和模糊聚类进行机械故障诊断。
希尔伯特一黄变换不同于基于傅里叶变换的信号分析方法,该方法按不同的振动模式把信号分解成一系列模态函数,有着明确的物理意义,而且不需要事先确定分解基,完全是自适应的。目前该方法在信号分析和故障诊断领域也成为一个热点,得到了较好的应用,该方法还不是完全成熟,有一些需要完善的地方。
故障诊断状态识别方法主要有逻辑识别法、距离函数识别法、灰色识别法、对比分析法、统计参数法、神经网络识别法、专家系统和模糊识别法。人工神经网络模型是在现代心理学和神经生理学的基础上,模仿人的大脑神经元结构而建立起来的一种非线性动力学网络系统。神经网络是一种自适应的模式识别技术,它通过自身的学习机制自动形成所要求的决策区域。由于具有这些特性,神经网络在故障模式识别领域得到了广泛的应用,主要集中于几个方面:从预测角度应用神经网络作为预测模型进行故障预测;从知识处理角度建立基于神经网络的诊断专家系统;从模式识别角度运用神经网络作为分类器进行故障诊断。神经网络还可以与小波分析和模糊系统相结合分别形成小波神经网络和模糊神经网络,综合相互的优点,得到了较好的应用。特别是应用于转子泵组的故障诊断,带来了广宽的灵活的空间。


////////////////////////////////////////////////////////////
力华转子泵网www.lihuabengye.com
电话:0575-83539901
传真:0575-83534469


友情链接:    博凯彩票-安全购彩   时时彩倍投计算工具_*官方推荐*_[大地 22022]   鼎峰彩票-首页   极速PK10   分分PK10