旋转机械故障诊断范文1
关键词：LabVIEW；旋转机械；EMD；故障诊断
中图分类号：TH164 文献标志码：A 文章编号：2095-2945（2017）19-0052-02
引言
近年来，虚拟仪器软件开发平台在机械设备领域的成功应用，对机械关键部件的人工智能化故障诊断起到推动作用。本文结合虚拟仪器设备和AIC9000转子试验仪器搭建平台，研究一套应用LabVIEW软件、MATLAB软件和EMD方法的旋转机械设备状态监测、分析系统。从实际工况出发，对设备监测故障预判有一定的指导作用。
1 LabVIEW数据采集系统
试验台搭建：有AIC9000多功能转子试验台、布点8组传感器、调理信号组件和LabVIEW虚拟仪器设备。
系统的程序设计基于NI-LabVIEW，实现对AIC9000转子设备及相关诊断仪器的改进设计，易于设备的升级和维护。AIC多功能转子系统和LabVIEW主机：Model：PXle-1078，PRODUCT OF MALAYSIA。
1.1 搭建LabVIEW平台
将8通道传输接口与调理信号模块连接，数字采集卡、信号处理卡等模块化的PXI板卡插入虚拟仪器主机箱中，机箱连接显示器。
1.2 LabVIEW软件程序设计
在程序框图窗口编程，程序汇编数据流设计包括通道设置定时设置触发设置信息采集分析设置记录设置等。数据流向即为LabVIEW软件程序执行的顺序，按箭头方向依次连接各程序框图节点，其中信号采集部分和分析部分是信号调理、振动诊断并分析等最为重要。
1.3 DAQ数据采集
程序设计采用NI-DAQmx编程，常用数据采集VI有DAQmx创建虚拟通道VI、DAQmx读取VI、DAQmx写入VI、DAQmx定时VI、DAQmx触发VI、DAQmx开始任务VI、DAQmx清除任务VI等。
2 经验模态分解法（EMD）
旋转机械相关的传统故障诊断方法准确度较低，结合经验猜测估计得出大概故障类型及部位。EMD方法是一种自适应较好的时频分析法，其基本思想是将原始振动信号分解成一系列IMF的组合，再根据实际需要，对各个IMF进行希尔伯特变换组成时频谱图进行分析。
在虚拟程序系统的设计中，为提高故障信号的特征提取以及包络分析的准确性，应用HHT变换的EMD分解，将EMD程序以m.文件保存，并通过LabVIEW程序调用MATLAB软件的m.文件进行信号分析。
3 LabVIEW系统信号分析编程
在设计系统时，结合了MATLAB软件强大的数学分析计算和图形绘制功能的优势， 在LabVIEW编程时调用MATLAB命令。两种软件的嵌套使用强强联合，既进化了LabVIEW的复杂编程又发挥出了MATLAB在机械信号诊断分析方面的优势，提升计算速度。
3.1 EMD的m.文件程序
应用MATlAB软件编写function 函数语句function plot_hht（x，imf，Ts）% Plot the HHT.，并在MATLAB软件中File>>Set Path…>>Add Folder，将其添加保存到MATLAB函数中。
设置自适应的数据长度j和循环次数i等，结合使用for循环-if语句等实现IMF的分量提取。
3.2 创建MATLAB脚本节点
程序设计使用了最为快捷的m.文件调用方法，即直接调用NI-LabVIEW2014软件中的MATLAB Script节点。调用步骤为：在程序框图右击鼠标，执行all functions> > analyze> > mathematics> > formula> > matlab script操作，在程序框图中拖拽鼠标建立一个大小合适的MATLAB脚本节点，右击鼠标，设置程序框图输入和输出变量的数量，然后调用EMD程序代码的m.文件，最后完成连线。MATLAB脚本文件的创建图如图1。
3.3 EMD在LabVIEW中的实现
使用本系统对AIC转子试验台进行智能分析，在齿轮箱中安装故障齿轮，针对齿轮故障产生的振动信号进行8分量的IMF分解结果如图2所示。
从图2中可以看出点蚀I和点蚀II两种故障的8组信号数据经过EMD分解的IMF1～IMF8结果；点蚀信号柱状图对比正常齿轮信号特征其故障直观、明显。
4 结束语
LabVIEW平台具有有良好的扩展性，性价比较高，在科研和实际工程中得到了广泛的应用。从实际出发，根据旋转机械设备故障诊断的实际要求，构建LabVIEW软件平台，合理安装多传感器进行信号采集，运用虚拟仪器设计在线采集、分析、预测诊断。EMD方法、MATLAB软件与LabVIEW三者的结合，在诊断速度、分析准确性、程序设计的快捷性等方面都表现出了很强的优势，也将是未来的一个发展方向。
参考文献：
[1]胡劲松.面向旋转机械故障诊断的经验模态分解时频分析方法及实验研究[D].浙江大学，2003.
[2]程军圣，于德介，杨宇.EMD方法在转子局部碰摩故障诊断中的应用[J].振动、测试与诊断，2006，01：24-27+74.
[3]申永军，杨绍普，孔德顺.基于奇异值分解的欠定盲信号分离新方法及应用[J].机械工程W报，2009，45（8）：64-70.
旋转机械故障诊断范文2
中图分类号:TN919-34文献标识码:A
文章编号:1004-373X(2010)18-0141-02
Fault Diagnosis of Rotary Machines Based onRBF Neural Network
WANG Qing-hua1, WANG Jing-tao2, DENG Dong-hua3
(1.School of Mechatronic Engineering, Xi’an Technological University, Xi’an 710032, China;
2.Guangxi Petrochemical Company, Qinzhou 535008, China; 3. China Petroleum Pipeline Engineering Corporation, Langfang 065000, China)
Abstract: Aiming the mapping complexity between fault symptoms and fault patterns of rotary machines, and the problems of falling easily into part minimums and low velocity of convergence in BP neural networks, a fault diagnosis method of fan based on Radial Basis Function (RBF) neural network is put forward. Making the seven frequency bands peak energy of vibration signals of a fan as fault symptoms, RBF network is trained to diagnose a fan, the results show that RBF network is a valid method of the fault diagnosis of fan in proving accuracy, repressing the network to sink local minimum and shortening the study time.Keywords: RBF neural network; fault diagnosis; fan; fault features
0 引 言
随着旋转机械大型化、自动化、高速化和复杂化的发展,其运行的可靠性和安全性日益受到重视,对其进行可靠、准确的故障诊断是石油、化工、冶金、矿山、机械等各行业安全生产的重要保障。设备故障诊断其实就是故障设备运行状态的辨识,即对运行状态进行分类识别,判断设备有无故障,如果有,则要进一步判断故障属于哪一类,所以设备故障诊断实质上是一个模式识别问题[1]。学习机器是实现模式智能识别的最主要手段,训练或获得学习机器的方法称为机器学习方法。机器学习方法是在一个由各种可能的函数构成的空间中寻找一个最接近实际分类函数的分类器。在设备故障诊断中,故障征兆与故障模式并不是简单的一一对应的关系,其构成的故障特征空间比较复杂,常常不是线性可分的,有时甚至是完全不可分的。而学习机器中神经网络能够映射任意复杂的非线性关系,具有自学习、自组织、自适应等特性,并且具有极强的容错和联想能力、较快的计算速度,所以神经网络被广泛用于机械故障诊断识别中[2]。
BP(back propagation)神经网络是目前故障诊断领域应用较多的一种网络。但BP网络采用的是梯度下降的搜索算法[2-3],这就不可避免地出现了网络收敛速度慢、容易陷入局部极小,并且BP网络学习结果受初始权值分布影响较大,结果不稳定等问题。RBF(radial basis function)网络可以避免陷入局部极小的可能,并且学习速度快。所以本文将径向基神经网络用于旋转机械实现故障诊断。
1 RBF神经网络
RBF网络是一种多层前馈神经网络[4-5],结构与BP网络相同,如图1所示。输入层到隐层为权值为1的固定连接,隐层到输出层为权值为W的线性链接。隐层神经元基函数常采用高斯型径向基函数。
隐层函数:φr=exp-X-cr22σ2r,r=1,2,…,R
输出层函数:ym=f(x)=∑Mm=1Wmrφr
式中:cr为第r个隐层节点的数据中心;σr是第r个隐层节点的数据方差;Wmr是隐层到输出层的连接权,X是神经网络输入向量。
径向基神经网络算法步骤如下:
(1) 从输入向量中选一组初始中心值cr,初始化连接权值Wmr。
(2) 计算方差值σ=dmax/R;dmax是最大的距离;R是cr的数量。
(3) 计算网络输出ym=f(x)=∑Mm=1Wmrφr。
(4) 计算网络误差并判断是否收敛。
(5) 若收敛,训练结束。
(6) 否则,更新网络学习参数cr,σr和Wmr,并转到步骤(2)。
图1RBF神经网络结构示意图
网络学习参数的更新公式如下:
cr(n+1)=cr(n)+μce(n)Wmr(n)φr(n)σ2r(n)
σr(n+1)=σr(n)+μσe(n)Wmr(n)φr(n)σ2r(n)
Wmr(n+1)=Wmr(n)+μWem(n)φr(n)
em(n)=ym(n)-dm(n)
式中:dm(n)为样本目标输出;μc,μσ,μW是3个学习参数的学习步长。
2 风机故障样本组织
风机的故障常从振动状况表现出来,因此采用振动信号进行监测与诊断是目前风机设备管理和维护的重要手段[6-8]。风机的常见故障有质量不平衡、转子不对中、轴承座松动、油膜涡动、油膜振荡、喘振、轴裂纹、旋转失速等故障[9-10]。
利用振动信号进行时域或频域分析,从中提取可以反映故障模式的征兆信息,用于学习机器的训练,获得训练好的学习机器以用于对风机故障的智能诊断与识别。其中,风机的振动信号在频域内的能量分布具有比较明显的特点,因此,可以采用5段谱、7段谱或9段谱特征作为主要的故障征兆。在此采用7段谱的能量峰值作为故障征兆,表1列举了6种典型故障在7段频谱中的特征。表中样本的网络输入均为归一化后的数据,网络目标输出设置为对角矩阵格式,如表1中最后一列所示。
表1 风机常见故障模式样本
故障样本0~0.4 f0.4~0.5 f0.5~0. 9 f1 f2 f3~5 f>5 f目标输出
不平衡0000.90.050.050000001
不对中0000.30.60.100000010
油膜振荡0101000000100
油膜涡动0.10.80.11000001000
喘振0.80010.20.30.2010000
松动0.900000.10100000
3 基于RBF神经网络的风机故障诊断
采用RBF神经网络进行风机故障诊断,只需向系统输入待诊断信号的特征量,系统就自动判断故障类型,可大大减轻故障诊断人员的工作量。
在RBF网络进行工作以前,首先需要组织一定数量的训练样本对RBF网络进行训练,训练好的RBF网络的数据中心cr,方差σr和连接权Wmr保持固定。这时RBF网络就可以进行工作了,当待识样本的故障征兆与记忆中的某个对应故障特征相近时,神经网络输出其对应故障模式。在本例中,RBF网络输入层、隐层、输出层的神经元节点个数分别为7-6-6;最大循环次数设置为5 000,训练误差为0.000 1,隐层节点个数为复为试选后根据学习速度与学习准确率而选择的。需要强调且注意的是样本特征在输入RBF神经网络之前必须进行归一化,以避免因为特征间量级的差异太大使得某些特征的失效。
表2为一组待识别的振动信号各个频段上的振幅特征值,将其归一化后输入训练好的RBF神经网络,求出RBF网络输出结果如表3所示。
表2 待识故障样本
故障样本0~0.4 f0.4~0.5 f0.5~0. 9 f1 f2 f3~5 f>5 f
待识模式10000.8510.020
待识模式200.68010.10.010
待识模式30.8500100.20.1
表3 网络输出结果
输出节点123456
待识模式10.000 20.023 0-0.000 40.138 70.985 60.098 0
待识模式2-0.0130.205 10.967 30.009 4-0.012 40.108 2
待识模式30.056 30.971 20.110 80.000 5-0.003 20.070 6
将网络输出与各模式阈值进行比较,如果输出结果大于预设阈值,则此故障发生,否则不发生该故障。本例中,阈值设为0.9,由表3网络输出结果,可以看出,3个故障模式分别对应第5,3,2个输出节点大于阈值0.9,故可以诊断出3个待识样本的故障类型分别转子不对中、油膜涡动和喘振,这与实际工作情况相符。
4 结 语
本文提出了基于径向基神经网络的旋转机械故障诊断,在风机中利用振动信号频谱中的7个频段中的不同频率成分的谱峰能量值作为特征输入,采用RBF网络进行故障辨识,结果表明,径向基神经网络能够有效识别出旋转机械系统各种典型故障,并且克服了BP算法易陷入局部极小和计算速度慢的缺点,提高了诊断精度,适用于实时在线诊断要求。
参考文献
[1]屈梁生,何正嘉.机械故障诊断学[M].上海:上海科学技术出版社,1986.
[2]焦李成.神经网络的应用与实现[M].西安:西安电子科技大学出版社,1993.
[3]徐勇,荆涛.神经网络模式识别及其实现[M].北京:电子工业出版社,1999.
[4]张玲,张钹.人工神经网络理论及应用[M].杭州:浙江科学技术出版社,1997.
[5]沈世镒.神经网络系统理论及其应用[M].北京:科学出版社,1998.
[6]汪光阳,周义莲.风机振动故障诊断综述[J].安徽工业大学学报,2006,23(1):64-68.
[7]陈莲芳,徐夕仁.风机振动故障诊断及处理[J].热能动力工程,2006,21(1):96-98,110.
[8]周邵萍,林匡行,苏永升,等.风机振动分析与故障诊断[J].华东理工大学学报,1999,25(3):316-319.
旋转机械故障诊断范文3
由不同原因和不同部位而产生的故障，这些故障产生的振动反映了不同的特征，或者频率成分变化，相位差别、波形形状和能量分布状况等。通过检测振动信号，我们发现振动性质和特征不仅与故障有关，还与系统的固有属性有关，比如同一故障发生在不同部位，故障激励传递通道不同，这样就导致其振动特征和响应会有不同，这样我们可以建立不同的响应算法，最后能得到较准确地判断故障位置。
轧钢机械的常见故障及其诊断方法
旋转机械常见的故障,根据转子式和振动性质的不同,可以分为:转子不平衡、转子不对,基部或组装松散、转子和定子摩擦,感应电机振动、滚动轴承故障，齿轮机构的振动等等。
旋转机械中最常见的故障就是不平衡。不平衡产生的原因是多方面的，如安装偏心度差，这样造成与宽松的轴装配松动。往往松动常和不平衡会一起产生，这种数学关系表现为非线性的振动特征。地脚松动引起的振动，在这个方向特征很明显，一般是垂直方向的振动强烈，其他方向不明显。如果是零件配合松动，那么这样引起的振动，表现在方向上的特征并不明显。
电动机是一种典型的旋转机械，在机械故障的表现方面具有旋转机械的共同特点，如存在转子不平衡，转子不对中、松动、摩擦等故障类型。电机的振动故障特点包括机械和电气两方面，机械方面的振动故障，例如转子与定子间磁隙不均匀导致电机的异常振动，电压不稳定或者匝短路等也会造成电机的振动异常。电气方面的振动故障表现为：当突然给电机断电，振动立即停止，通过这一点，我们可以判断存在电气方面的故障，当突然给电机断电，振动不会立即停止，则属于机械故障。
滚动轴承旋转机械转子系统包括外圈、内圈，保持架等组件。对滚动轴承振动诊断的分析方法是：滚动轴承的每个部件都有它自己的故障特征频率。滚动轴承的故障特征频率(简化计算)为：内圈通过频率F=0.6Z-Fr，外圈通过频率F=0.4Z•Fr，保持架通过频率F：0.4Fr，其中z为滚动体个数，n为轴承内圈回转频率。
齿轮是轧钢机械重要的组成部分，它的运行状态直接影响轧钢机组的正常工作。根据统计抽样结果表明，齿轮损坏的概率：齿面磨损、齿根断裂分别占41%和31%。先看看啮合频率和振幅波动；二是看啮合频率谐波分布；三是看变频，齿轮故障使的振动能量增加，边缘频率、幅度也增加，在齿轮箱的各种配件中，失败的比率60%，可见在各部分的比例最大的是齿轮故障，由于负载波动幅度调制而产生的旋转速度波动。通过振动诊断判别齿轮状态，最有效的方法是分析齿轮振动功率谱的变化，其次分析倒频谱。
实例诊断分析
现对轧机振动状态的检测主要基于振动传感器，数据采集，软件等现有设备，以连轧厂为例，应用振动故障诊断技术对其进行了全面的分析和诊断。
旋转机械故障诊断范文4
关键词：螺杆压缩机 振动 故障诊断 频谱
中图分类号：TH45 文献标识码：A 文章编号：1674-098X（2013）04（b）-0043-01
旋转机械故障诊断现在已经是全球发展最快的一项新兴技术。大型旋转机械振动监测与诊断系统的研究与应用对于避免巨额的经济损失和灾难性事故的发生有着重要意义。技术人员在发生故障后，判断结果时发现最重要、最关键而且也最困难的问题就是故障特征信息提取。他是诊断故障的最重要环节，直接关系到故障诊断的准确率和故障早期预报的可靠性。这就要借助于信息处理、特别是现代信号处理的理论方法和技术手段来提取最为准确的诊断结果。该文以螺杆压缩机为研究对象，基于转子振动信号提纯的旋转机械故障特征提取技术。
1 螺杆式空压机的性能介绍
英格索兰螺杆式空压机主要由电机、齿轮、轴承座、螺杆等部分组成。其内部结构如图1所示。螺杆空压机是容积式气体压缩机，由相互齿合的转子（即螺杆）、机壳以及适当配置在两端的进排气口组成压缩气体的工作腔，通过减小工作容积来提高气体压力。转子在旋转过程中，阴阳转子赤连接不断地向对方齿槽中填塞、工作腔的容积不断减小，工作腔的齿槽也不断向排气端推进，当压缩容积与排气口相通时，气体以达到预定的压力而排出。气体的吸入过程跟压缩过程一样也是连续不断的，因为机器的转速很高，吸排气可以看成是无动脉的，因此，在一般情况下螺杆空压机可以省去一个体积很大的储气罐。
2 螺杆空压机故障现象的初步诊断
在对空压机的例行检查中，发现四个测点垂直方向振动值较高，而空压机外部各部位的连接螺栓都比较紧固，没有松动现象；混凝土基础（钢结构整体座架）无显著松动，电机轴承温度、压缩机轴承温度都在正常范围。因此，初步怀疑造成风机振动较大的原因在压缩机机壳内部。
3 空压机频谱分析诊断结论
采用HY106C便携式巡检仪分别对空压机的四个轴承的轴向、径向、垂直方向进行了振动信号采集（如图1所示），通过对各轴承处轴承振动信号进行比对分析，发现四个点存在共同特点，即垂直方向振动都特别大。
图2为测点3垂直方向的振动频谱图，出现了螺杆啮合频率（167.5 Hz）幅值较高，并且有较高的一倍频、而倍频、三倍频、四倍频、五倍频成分，还有较高的下边频成分出现，间隔为42.5 Hz（主动螺杆轴的转频）。这表明压缩机螺杆存在较严重的故障。
图3为压缩机测点3速度波形图，没有出现明显的冲击。
综合分析认为：有明显的边频说明齿轮的问题比较突出或严重，单侧边频主要是反映齿轮偏心或松动造成偏心并还伴有它的倍频成分，因此初步判定该压缩机螺杆存在比较严重的磨损、间隙偏大、有明显的松动现象存在。
4 结语
通过密集的振动跟踪测试分析，发现振动趋势未出现较大上升，幅值上下波动范围不大。由于该设备还要运行两个月就要停产，根据实际情况决定进行监护运行。之后解体检查发现螺杆已经出现了较严重的磨损。因诊断准确，设备运行两个月并未出现事故，在保障设备安全运行的同时，还节省了外委修理的费用。
参考文献
旋转机械故障诊断范文5
[关键词]主扇风机 振动监测 故障 分析
中图分类号：TN919.8 文献标识码：A 文章编号：1009-914X（2015）46-0284-02
目前我国矿井主扇风机多采用轴流式风机，以轴流式对旋风机为例，其系统大致结构如图1所示：
煤矿主扇风机是由三相异步电动机通过联轴器连接，传递运动和转矩的。就其系统的整体故障而言，有系统电气故障，风机机械故障以及电动机机械故障。本文根据现场实际情况以及项目要求主要分析和诊断主扇风机概率相对多发的机械故障。
风机机械故障主要集中在轴承部分以及旋转部分。其中旋转部分的核心部件就是转子，研究表明风机故障的60%与转子系统产生的不对中故障有关，而旋转部分的故障约有30%是由轴承引起的。风机轴承部分的故障根据其组成结构，主要可以分为内圈模块故障、外圈模块故障、滚动体模块故障等；风机旋转部分故障主要表现为转子不对中，不平衡，喘振，部件松动等方面故障。风机振动故障诊断的有效性，与这几种故障的机理分析密切相关。
一、主扇风机轴承故障的机理分析
目前矿井轴流式主扇风机采用的多为滚动轴承，而且本文为项目背景的蒋庄煤矿采用的就是滚动轴承，因此本文仅分析滚动轴承的故障特征。滚动轴承具有摩擦系数小，运转精度高的优势，但是由于承受冲击的能力差，当滚动体上载荷分布不均匀的时候，非常容易造成损坏。
（1）滚动轴承的故障成因主要有以下几种形式：
1）疲劳剥落
滚动轴承的滚动体处在内圈和外圈之间，工作时两两之间都在进行相对运动。运动的同时，还要承担一定的载荷，随着载荷上升下降不断波动，表面金属有时会呈现片状剥落，并且逐步扩大形成剥落坑，最后会发展到大片剥落的严重状况。在轴承旋转的过程中，疲劳剥落将会引发冲击载荷，使振动变的剧烈，造成轴承损坏。
2）磨损失效
滚动轴承在工作时间内，一直处于高速旋转的状态，轴承的内外圈与包含滚动体的支撑架之间不可避免的不断发生摩擦，当有硬质颗粒类的异物侵入或者不良时，磨损更为加剧。随着磨损程度不断加深，轴承游隙将随之增大，在引发振动和噪声的同时也将造成轴承运转精度的大幅下滑下降。
3）锈蚀失效
轴承锈蚀的原因一般包括化学和物理两大因素。化学锈蚀一般是由水滴或酸碱性较大的液体渗入轴承间隙引发。物理锈蚀由电击引发，当转子电流击穿油膜产生电火花放电时，在轴承表面产生的大电流会产生电流凹坑，造成电腐蚀。轴承被腐蚀的部分相比周边表较脆弱，更容易引发脱落和磨损，减少轴承的生命周期
4）裂纹和断裂
轴承在工作状态中，如果遇到旋转速度过快、所载负荷过大、不良等情况，将会引发高强度的热应力，造成轴承的内圈和外圈产生裂纹甚至导致断裂状况发生。
（2）滚动轴承的故障基本频率：
滚动轴承的基本结构如图3-3所示：
图中，d代表着滚动体的平均直径；D表示轴承节径，是内外圈之间所有滚动体的中心所在圆的直径；a称作接触角，是轴承内外圈垂直线和滚动体受力方向的夹角；滚动体的个数通常用Z表示。当轴承外圈静止不动，内圈旋转时，轴承各个组成部分的振动信号故障特征信息为：
当故障发生后，在没有径向间隙的情况下，振动信号的频谱中将会出现相应故障的倍频，其中滚动体故障多以偶次倍频出现。如果滚动轴承有径向间隙，内圈和滚动体部分故障信号将会出现振幅调制的情况，内圈故障情况下，通常以轴旋转频率或者保持架旋转频率进行振幅调制，此时故障频率为或（n=1，2，3・・・）。滚动体在故障情况下，通常以保持架的旋转频率进行调制，故障频率为（n=1，2，3・・・）。
二、主扇风机旋转部分故障的机理分析
根据工程经验，矿井主扇风机旋转体部分发生概率比较高的故障类型主要包括转子不平衡、转子不对中、风机喘振和部件松动。其对应的故障信息特征分别如下：
1.转子不平衡
转子不平衡在旋转机械故障中比较常见，对于矿井主扇风机来说，转子不平衡故障的发生主要有两个原因。第一个原因是由于转子部件缺损或质量偏心引发转子不平衡故障；第二个原因是有时为了调节风量，需要调整风机叶轮的角度，在调整过程中导致转子不平衡。对于第一种诱因的详细分析如下：
（1）转子质量偏心；一般是由于机械构造设计不够合理、材质不均匀、制造或安装过程中出现偏差等原因造成的转子不平衡故障；
（2）转子部件缺损；一般指风机经过长时间工作，其转子零部件老化出现的结垢、零件脱落、腐蚀缺损等现象，导致的风机转子后期不平衡故障。
转子不平衡故障的振动特征总结如下表3-1所示。
2.转子不对中
转子不对中包括轴承不对中和轴系不对中两种状况。轴颈在轴承中发生倾斜称作为轴承不对中。如果主动转子和从动转子之间的连接不在一条中心线上时，就会引发轴系不对中故障。关于轴系不对中，依据转子轴线和倾角的位移状况可以分为角度不对中、平行不对中及平行偏角综合不对中这3种类型，分别如图3-4所示。
（1）平行不对中：如上图中（a）所示，主动转子和从动转子之间虽然对齐但是存在上下位移偏差。一旦扇风机高速运行，从动转子将会产生很高旋转离心力，导致扇风机转子剧烈振动，其每转一周会振动两次，因此，振动频率为转子工频的两倍。
（2）角度不对中：主动转子和从动转子之间有一方发生了倾斜偏角，如中间（b）图所示。偏角在两个转子之间引发了一个弯矩，由于转子每旋转一次，弯矩作用方向交变一次，其引发的振动特征类似于平行不对中。
（3）综合不对中：如图3-4（c）所示，从动转子与主动转子之间存在上下方向径向位移而且还存在一定的偏角，当风机运转起来，将会激励转子发生径向和轴向振动，这种故障很容易导致轴承损坏。平行偏角不对中的振动频率也是转子转动频率2倍。
综上所述，转子不对中故障在频域上2倍频率明显较高，同时伴有高次谐波。而且，振动强度会随着转子转速的升高变得更加剧烈。
转子不对中故障的振动特征如表3-2所示。
3.喘振
在煤矿的实际生产中，随着采煤的深入，巷道不断扩展，新旧巷道随之更迭，巷道中的空气阻力会不断发生变化，如果主扇风机和压风机之间的配合出现较大的偏差，再加上粉尘等恶劣空气环境的影响，主扇风机很容易发生喘振。作为流体机械运行最恶劣，最危险的状况之一，喘振对风机危害极大，如果处理的不够及时，甚至会发生折断通风机叶片的灾难性事故。由于影响通风机喘振的因素较多，用理论分析的方法求喘振点很困难，通过振动现象可以进行有效分析。当扇风机在接近喘振点工作运行时，随着气流量的波动，整个主扇风机系统将产生强烈的振动，很容易损坏风机上安装的传感器、仪表等附属设备。
扇风机喘振的振动特征如表3-3所示。
4.部件松动
造成风机部件松动故障的原因多样，最主要的有螺栓固定强度不足、轴承支承系统接合面间隙过大、缺乏防松措施造成部件松动故障。其次风机轴承系统因外在因素产生磨损引发断裂以及基础施工质量不佳等也会引发部件松动的发生。部件松动振动信号的故障特征如表3-4所示。
三、结语
主扇风机的机械振动特性进行了总体分析，然后结合机械振动的特点，引出了风机作为旋转机械的故障类别。分别对风机的轴承故障和旋转部分故障两大块进行详细的阐述，分析了故障的特征频率等故障机理。
参考文献
[1] 龚晓燕，黄雷，薛河.基于Web矿井局部通风设备故障诊断专家系统的建立[J].煤矿机械，2008，29（5）：217-219.
[2] 龚晓燕，陶新利，薛河.矿井局部通风设备故障诊断信息系统的建立与开发[J].矿山机械，2006，34（8）：43-45.
旋转机械故障诊断范文6
关键词：船舶 电机 轴承 故障 诊断 方法
0 引言
感应电动机因其可靠性高、结构简单、成本低，故而在船舶上得到了广泛的应用。据统计，电机常见故障中轴承故障的发生几率高达41%，一旦电机发生故障，就可能导致动力系统和电力系统的服务中止，从而威胁船舶航行的安全。其中轴承故障是电机故障中发生概率最高的，因此本文针对船舶感应电动机轴承故障的诊断方法展开研究。
1 温度诊断方法
通过安装在绕组里，或嵌入在绝缘层里的传感器，来测量温度的变化来实现对电机的故障诊断。如果电机的通风状况良好，同时考虑环境温度对电机的影响，温度的测量可以采用基于热模式或者定子电阻的模式。基于空间静电荷的建立现象，利用热梯度(ThermalstePMethod，TsM)来监视定子绕组绝缘的老化现象，同时测量反映能量级别的热激励泄放电流(Thermally stimulated Discharg currents TSDO)，通过将TSM和TSDC结合在一起，可以预报定子绕组的绝缘寿命。对于低压感应电机，通过采用非破坏性的诊断设备如塑料光纤(PlasticOPticalFiber，PoF)来评测绝缘层的老化，该方法是通过对两个不同的红外波长上的反射吸光率变化来进行评测的。
2 振动诊断方法
电机定子的振动是定子绕组匝间短路、单向运行、欠压运行等的函数，在电磁力矩和定子之间的谐振是引起电机噪声的主要原因。
2.1 定子异常产生的电磁振动 电机运行时，转子在定子内腔旋转，由于定、转子磁场的相互作用，定子机座将受到一个旋转力波的作用，而发生周期性的变形并产生振动。定子电磁振动的特征振动频率为电源频率的2倍。
2.2 气隙偏心引起的电磁振动 气隙偏心有两种情况，一种静态偏心，另一种是动态偏心。静态偏心是由于电动机定子中心与转子轴心不重合造成的。而气隙偏心是由转轴挠曲或转子铁心不圆造成的。这两种偏心都能引起电磁振动，但是振动的特征并不完全相同。静态气隙偏心的电磁振动频率是电源频率的2倍，而动态气隙偏心的振动频率在转子转速频率和旋转磁场同步转速频率都可能出现。
2.3 转子导体异常引起的电磁振动 鼠笼型感应电机因笼条断裂，将产生不平衡的电磁力，其性质和转子动态偏心的情况相同，它引起的电磁振动也和转子动态偏心相似，较难辨识。
2.4 转子不平衡产生的机械振动 电机转子质量分布不均匀时，产生了重心位移，不平衡质量在旋转时将产生单边离心力，引起了变化的支承力，电机运行变得不稳定了。由转子不平衡造成的机械性振动频率和转速频率相等。
2.5 轴承异常产生的机械振动 由于电机滚动轴承损坏、设计制造中误差，在运行中将会出现机械振动，每种规格的滚动轴承，都有其一定的特征频率。而滑动轴承的振动特征频率略低于转子回转频率的一半，通常为0.42-0.48 。
3 基于参数辨识的方法
该方法通过对定子电压u，以及定子、转子电流X进行测量，然后再基于扩展卡尔曼滤波估计转子的电阻及转子电流的变化，来检测故障的原因。
上式中F为雅可比矩阵，B为电磁参数矩阵。按照该递归公式，可以得出
的最小二乘估计值
。然后按照下述的1至5式进行修正。
以上递归公式可用于在线估计电机的转子电阻以及转子电流的奇变，从而实现转子故障的检测，但应用在不同类型的电机时，需要对电磁参数矩阵进行修改。
4 瞬时功率分析法
由于感应电动机额定运行时转差率比较小，在轻载和空载状态时更小，使故障特征难以突出，特别是转子断条在基频成分周围的边频容易被基波淹没。为提出了基于瞬时功率信号频谱分析的诊断方法。
瞬时功率包含一恒值分量及频率为Zsf的波动分量，恒值功率和电机负载和电机损耗有关。由功率表达式明显可以看出，故障特征分量Zsf包含了电流信号中(l士Zs)f两个分量的作用。因此，气隙功率中Zsf特征分量包含了由于电机转子故障引起的不对称以及速度波动的影响，把该特征分量的幅值与恒值功率的比作为分析电机转子故障严重程度的指标更为合理。
由于电网电压不受电机运行状态的影响，瞬时功率中故障特征分量形式上与基于Hilbert变换的定子电流解调信号中相同，但实际上瞬时功率中既包含了电流的作用，又包含了电压电流间的相位差φ的影响，其与负载大小、励磁电流等有关，相对于定子电流的解调信号包含了更多的信息成分，也就是说，功率谱对负载变化的响应要比电流强。
