前言：中文期刊網精心挑選了旋轉機械故障診斷范文供你參考和學習，希望我們的參考范文能激發你的文章創作靈感，歡迎閱讀。
旋轉機械故障診斷范文1
中圖分類號：TH164 文獻標志碼：A 文章編號：2095-2945（2017）19-0052-02
引言
近年來，虛擬儀器軟件開發平臺在機械設備領域的成功應用，對機械關鍵部件的人工智能化故障診斷起到推動作用。本文結合虛擬儀器設備和AIC9000轉子試驗儀器搭建平臺，研究一套應用LabVIEW軟件、MATLAB軟件和EMD方法的旋轉機械設備狀態監測、分析系統。從實際工況出發，對設備監測故障預判有一定的指導作用。
1 LabVIEW數據采集系統
試驗臺搭建：有AIC9000多功能轉子試驗臺、布點8組傳感器、調理信號組件和LabVIEW虛擬儀器設備。
系統的程序設計基于NI-LabVIEW，實現對AIC9000轉子設備及相關診斷儀器的改進設計，易于設備的升級和維護。AIC多功能轉子系統和LabVIEW主機：Model：PXle-1078，PRODUCT OF MALAYSIA。
1.1 搭建LabVIEW平臺
將8通道傳輸接口與調理信號模塊連接，數字采集卡、信號處理卡等模塊化的PXI板卡插入虛擬儀器主機箱中，機箱連接顯示器。
1.2 LabVIEW軟件程序設計
在程序框圖窗口編程，程序匯編數據流設計包括通道設置定時設置觸發設置信息采集分析設置記錄設置等。數據流向即為LabVIEW軟件程序執行的順序，按箭頭方向依次連接各程序框圖節點，其中信號采集部分和分析部分是信號調理、振動診斷并分析等最為重要。
1.3 DAQ數據采集
程序設計采用NI-DAQmx編程，常用數據采集VI有DAQmx創建虛擬通道VI、DAQmx讀取VI、DAQmx寫入VI、DAQmx定時VI、DAQmx觸發VI、DAQmx開始任務VI、DAQmx清除任務VI等。
2 經驗模態分解法（EMD）
旋轉機械相關的傳統故障診斷方法準確度較低，結合經驗猜測估計得出大概故障類型及部位。EMD方法是一種自適應較好的時頻分析法，其基本思想是將原始振動信號分解成一系列IMF的組合，再根據實際需要，對各個IMF進行希爾伯特變換組成時頻譜圖進行分析。
在虛擬程序系統的設計中，為提高故障信號的特征提取以及包絡分析的準確性，應用HHT變換的EMD分解，將EMD程序以m.文件保存，并通過LabVIEW程序調用MATLAB軟件的m.文件進行信號分析。
3 LabVIEW系統信號分析編程
在設計系統時，結合了MATLAB軟件強大的數學分析計算和圖形繪制功能的優勢， 在LabVIEW編程時調用MATLAB命令。兩種軟件的嵌套使用強強聯合，既進化了LabVIEW的復雜編程又發揮出了MATLAB在機械信號診斷分析方面的優勢，提升計算速度。
3.1 EMD的m.文件程序
應用MATlAB軟件編寫function 函數語句function plot_hht（x，imf，Ts）% Plot the HHT.，并在MATLAB軟件中File>>Set Path…>>Add Folder，將其添加保存到MATLAB函數中。
設置自適應的數據長度j和循環次數i等，結合使用for循環-if語句等實現IMF的分量提取。
3.2 創建MATLAB腳本節點
程序設計使用了最為快捷的m.文件調用方法，即直接調用NI-LabVIEW2014軟件中的MATLAB Script節點。調用步驟為：在程序框圖右擊鼠標，執行all functions> > analyze> > mathematics> > formula> > matlab script操作，在程序框圖中拖拽鼠標建立一個大小合適的MATLAB腳本節點，右擊鼠標，設置程序框圖輸入和輸出變量的數量，然后調用EMD程序代碼的m.文件，最后完成連線。MATLAB腳本文件的創建圖如圖1。
3.3 EMD在LabVIEW中的實現
使用本系統對AIC轉子試驗臺進行智能分析，在齒輪箱中安裝故障齒輪，針對齒輪故障產生的振動信號進行8分量的IMF分解結果如圖2所示。
從圖2中可以看出點蝕I和點蝕II兩種故障的8組信號數據經過EMD分解的IMF1～IMF8結果；點蝕信號柱狀圖對比正常齒輪信號特征其故障直觀、明顯。
4 結束語
LabVIEW平臺具有有良好的擴展性，性價比較高，在科研和實際工程中得到了廣泛的應用。從實際出發，根據旋轉機械設備故障診斷的實際要求，構建LabVIEW軟件平臺，合理安裝多傳感器進行信號采集，運用虛擬儀器設計在線采集、分析、預測診斷。EMD方法、MATLAB軟件與LabVIEW三者的結合，在診斷速度、分析準確性、程序設計的快捷性等方面都表現出了很強的優勢，也將是未來的一個發展方向。
參考文獻：
[1]胡勁松.面向旋轉機械故障診斷的經驗模態分解時頻分析方法及實驗研究[D].浙江大學，2003.
[2]程軍圣，于德介，楊宇.EMD方法在轉子局部碰摩故障診斷中的應用[J].振動、測試與診斷，2006，01：24-27+74.
[3]申永軍，楊紹普，孔德順.基于奇異值分解的欠定盲信號分離新方法及應用[J].機械工程W報，2009，45（8）：64-70.
旋轉機械故障診斷范文2
關鍵詞：汽輪發電機組；故障診斷；預警；分析
中圖分類號：TB857+.3 文獻標識碼：A 文章編號：
1引言
汽輪機發電機組是高速旋轉的機械設備，機械設備的故障一般都有前期癥狀，而故障診斷預警系統能提前預知，從而防止設備故障進一步惡化，對設備有針對性地計劃檢修，減少了汽輪機發電機組重大事故發生和機組跳閘對社會供電的影響。同時故障診斷預警系統對汽輪機發電機組機械故障具有診斷和分析功能，能具體分析出故障的原因所在，為專業人員分析故障提供重要的依據。某廠#3汽輪發電機組選用丹麥ROVSING Dynamics公司的OPENpredictorTM故障診斷預警系統，本文介紹該系統的應用，同時為其它汽輪發電機組故障分析提供借鑒。
2系統綜述
OPENpredictorTM故障診斷預警系統通過安裝在設備上的傳感器，將探測到的過程信息與故障庫中的故障種類和程度進行類比。一旦探測到故障，設備或部件的故障位置和診斷信息就會以清晰的文本形式呈現給相關人員。此外，故障的嚴重程度、何時需要維修以及何時會發展成為重大事故，都由預測系統根據故障癥狀進行評估。同時給故障診斷專家提供了豐富的數學模型和診斷工具。
OPENpredictorTM系統提供了廣泛的故障類型庫，加上獨特的信號分析功能和相對完善的氣動熱力模型，可以完全自動地實現故障預警功能。并對設備健康狀態進行評估，實現設備狀態檢修。
3系統組成及測點分布3．1系統組成系統主要由信號處理單元（SPU）、OPENpredictorTM系統服務器、工作站組成。SPU采集汽輪發電機組狀態參數并做數據處理和分析,結果通過以太網提供給OPENpredictorTM系統服務器使用，工作人員通過工作站可視畫面對機組整體監視，同時OPENpredictorTM系統服務器數據通過MIS網的內外網連接的FTP服務器每24小時（可設定）打包一次數據傳輸到遠程服務中心，利用遠程服務中心的外來力量對機組狀態進行分析。系統的組成圖1所示。
圖1：系統組成圖
3．2數據采集測點分布
下面圖2所示是系統所有傳感器的安裝位置：
圖2：測點分布圖
表1：測點清單
4系統實現功能
OPENpredictorTM旋轉機械預警專家系統在本工程中診斷的汽輪發電機組故障庫見表2
說明：AS：自動頻譜、CPB：恒定百分比帶寬、DC：電流、OTA：次序跟蹤分析、SCL：軸中線、SED=選擇性包絡檢波、SMD：同步調制探測、Spp：峰-峰值信號、Temp：溫度
表2：汽輪發電機組故障庫
4.1設備健康評估
為了達到生產時間最大化的目的，就必須合理安排機組維護。OPENpredictor™能夠監控機組全部狀態，并定期總結機組的健康狀況，指導技術人員合理安排機組檢修。
4.2早期故障探測
采用“故障選擇信號”方法在早期就能夠探測出故障，通過連續監測潛在的故障癥狀，對機械健康狀態進行評估。每一個類型的機械都有它獨特的故障類型，OPENpredictor™預測維護信息系統采用覆蓋最廣范圍的故障選擇信號對故障進行檢測。
為了進一步增加故障探測靈敏度，依據運行情況對信號進行分類。采用信號比照方法，減少錯誤報警的次數、增加故障預測的可靠性。
4.3早期故障診斷
早期故障診斷的模型采用了信號對照的結果，還采用了其它來源的信號：軸承溫度、機組功率等其它相關的參數，綜合計算，將清晰的結論呈現給技術人員。AutoDiagnosis™信息窗口為技術人員提供機械部件、辨別故障、預計維修時間和維護建議等清楚的信息。技術人員根據信息決定是否對機組進行維護。預測自診斷（PAD）故障項目有：軸承不穩定(油膜振蕩)、軸承磨損(軸向的)、軸承磨損(徑向的)、葉片現象(共振，結構改變等等)、轉子不對中、轉子不對中、轉子磨擦、轉子不平衡、轉子不平衡、發電機定子線圈松動。
4.4故障發展趨勢預測
“預測”運算法則通過推算故障信號的歷史數據，確定故障發展至預定報警水平所需的時間。
4.5瞬時故障診斷
對機組運行突發的故障進行診斷，協助技術人員快速準確查找故障原因，并給出處理方案。瞬時自動診斷（IAD）故障項目有：轉子軸向移位、軸承不穩定(油膜振蕩)IAD、外部強烈振動、轉子彎曲、轉子裂紋IAD、轉子磨損IAD低頻、葉片磨損、徑向軸承磨損、結構膨脹。
4.6遠程故障診斷
OPENpredictorTM旋轉機械設備預警系統每天打包數據傳輸到遠程服務中心，實現專家遠程診斷。
5系統應用效果（實例）
系統自2011年01月份開始發現機組軸系不對中故障，自動產生診斷報警并給出預測（如圖3），說明機組軸系的不對中故障發展已比較嚴重。2011年3月17日系統又再次發出低壓轉子不對中的報警，顯示低壓轉子未對中的癥狀已發展到比較嚴重的程度，提示應檢查軸承及聯軸器。
圖3：轉子不對中故障提示
2011年3月20日國外專家通過遠程獲取的數據，對低壓缸轉子不對中故障診斷分析，認為軸承可能出現問題。同時#1和#2軸X方向軸振動在2011年3月5日自動頻譜圖（圖4）中顯示除一倍頻分量振動較大外，還存在約0.5倍頻分量的振動，顯示軸承有碰磨故障現象。
圖4：#1和#2軸X方向軸振動自動頻譜圖
2011年4月4日在機組計劃停機過程中發現#1軸X方向振動突然變大，惰走至轉速150rpm左右時，#2軸承金屬溫度在短時間內由55℃突然直升到113℃左右，超出高限105℃，#2軸承可能磨損。
根據數據回顧及信號圖譜分析，機組低壓缸部分存在轉子不對中故障，故障診斷系統也明確發出自動診斷報警。專家建議對#2、#3軸承進行檢修，并對高中壓轉子、低壓轉子及發電機轉子進行找中心，核查整個軸系各軸頸揚度值。
檢查情況：解體#2軸承發現鎢金輕度磨損；#2軸承標高偏高，汽輪機整個軸系揚度發生變化，導致轉子不對中故障。同時#3軸承載荷減少，#2軸承載荷加重，低轉速下,#2軸承油膜穩定性差，油膜無法正常形成，最終造成#2軸承磨損。
處理情況：對#2軸承磨損面進行修復，#2軸承標高降低0.05mm，減少#2軸承載荷，并對軸系重新對中。
經此次檢修后，不再重復出現轉子不對中故障，機組安全運行，成功地防止了故障進一步擴大。
旋轉機械故障診斷范文3
[關鍵詞]知識 機械故障診斷 專家系統
中圖分類號：TH22.5 文獻標識碼：A 文章編號：1009-914X（2014）10-0277-01
一、電動機故障診斷專家系統
電動機故障診斷專家系統（FaultDiagnosisEXpertSystemofMotor，簡稱FDEsM）是本文研究的機械設備故障智能診斷系統的一個子系統之一，主要利用基于知識的專家系統智能診斷技術進行大型電動機故障的診斷。
1.FDESM的系統結構
FDESM的總體結構如1所示，由人機接口、知識庫和知識庫管理系統、數據庫和數據庫管理系統、控制部分、推理機、解釋系統等幾個部分組成。為了清晰、使用方便，運行靈活、節省時間，本系統采用窗口驅動系統來實現總體控制策略和運行結構，是一個完整而封閉的系統。
2.FDESM的知識庫系統
在知識獲取的過程中，一方面到各個企業中進行實地考察，了解關于大型電動機使用及其故障現象和故障診斷經驗，獲取直接知識；另一方面從有關電動機故障診斷文獻中獲取間接知識。
知識庫的組織對推理結果有很大的影響，特別是當知識庫的規模龐大時，如果組織不好就會產生“組合爆炸”現象，使得推理效率迅速下降。其次，推理過程中如果對知識從頭到尾地搜索，也缺乏針對性，因為某一故障可能僅涉及其中的一部分知識。因此知識庫需要較好的組織，使其既便于維護，又不至于使推理下降。
二、FDESM的推理機制
解決了知識的獲取及知識表示的有關問題，就可以把問題領域中的知識表示出來，并以一定的形式存儲到計算機中，形成知識庫。但是，正如一個人只有知識而沒有運用知識求解問題的能力仍然算不上“聰明”一樣，對一個智能系統來說，不但應使它具有問題的知識，還應該使它具有運用知識求解問題的能力。運用知識的過程是一個思維過程，即推理過程。根據推理的方向分為正向推理、反向推理及正向一反向混合推理。
反向推理又稱為目標驅動控制策略或自頂向下推理、目標推理、后件推理等。它是首先提出某個假設，然后尋找支持該假設的證據，若所需的證據能找到，說明原假設是正確的；若無論如何都找不到所需要的證據，則說明原假設不成立，此時需要另作新的假設。因此，要求提出的假設要盡量符合實際，否則就要多次提出假設，影響求解的效率。
三、FDESM運行實例
通過對感應電動機故障診斷的實例運行和測試，結果表明：該系統運行正常、實用方便，達到了預想結果，從而驗證了本系統的準確性和可靠性。
如某一感應電動機發生了故障，并表現出下列現象：
（l）轉速達不到要求速度，加速度?。?/p>
（2）電流變動；
（3）起動時有不正常聲音。
運行診斷系統，選擇對應的現象集，則診斷出故障原因為：
（1）超負載、電壓不夠、轉子或風扇同固定部分有摩擦；
（2）繞組、滑環、電刷器械與轉子電路中有接觸不良；
（3）斷相或電壓過低，過負載也有可能。
解決故障對策為：
（l）檢查負載和電壓，以及氣隙、風扇部分；
（2）檢查焊接處、繞組與滑環間、電刷器械、接線螺栓松動問題；
（3）檢查電壓與負載。
總之，利用基于知識的專家系統在大型電動機故障診斷技術中應用的研究，建立了故障診斷系統，本系統具有對大型電動機故障進行綜合診斷的功能。該系統知識庫具有高度模塊化的特點，這對知識庫的維護、擴充及刪改帶來了極大的方便，知識庫的這種樹狀層次結構便于知識庫的管理，可以減少一些不相容的規則。本系統采用可視化界面窗口來實現總體控制策略和運行結構，通過實例可以看出系統具有清晰、無二義性，運行靈活、診斷快速等特點，具有一定的可靠性。
參考文獻
[1]趙沖沖.網絡技術在旋轉機械狀態監測與故障診斷中的應用田].西北工業大學碩士學位論文，2001，3
[2]馬建倉，林其敖，葛文杰.機械故障診斷學科現狀及發展團.機械科學與技術，1994，50（2）：85～ 90
旋轉機械故障診斷范文4
關鍵詞：機械設備、故障診斷、安全運行、維修成本
1.引言：在近幾十年來因機械設備故障而引發的的災難性事件層出不窮，一方面造成了巨大的經濟損失、人員傷亡以及環境污染，另一方面其對社會造成的惡性影響也是難以估量的。若機械生產設備一旦產生故障，在經濟損失成倍增加的基礎上，又會出現維修復雜化、困難化、交叉化等問題。因此，當我們在設法如何更好地享受生活的時候，不僅要對機械設備的速度、容量、效率、安全可靠性等方面提出更為苛刻的要求的同時；也要對針對設備故障進行檢測和診斷的先進的狀態監測與診斷技術投以更多的目光。
2.機械設備中常見的問題
一般而言，我們籠統的將設備在生產運行過程中因為某種原因而喪失某種或全部所要求預期功能的現象，稱之為故障。以系統的角度而言，傳統的故障主要包含兩層含義： 偏離正常功能地機械系統，其主要原因是由于機械系統及其零部件的工作條件超出了生產設計所規定的工作條件而產生的，這種現象工作人員可以通過調節相關參數或對某些零部件進行簡單修復后更換來消除，我們傳統的稱其為故障；以功能失效為緣由的機械故障是指機械系統出現連續偏離正常功能的閾值并且其程度加劇的趨勢越來越明顯的現象，使機械設備功能不能完全的發揮出來的現象稱之為失效。這就是為什么我們經常將故障與失效混為一談的原因。但在某些特殊情況下而這又有所不同。常見的機械設備故障問題主要分為兩大類：以電氣控制系統故障為主的電氣問題和以機械本體為主的機械結構問題。電氣控制系統常見的問題有因機械故障而引發的電機燒損、控制電路板短路燒損以及信號采集設備燒損等問題。機械本體產生的問題較為多發而且往往會引發一系列的連鎖反應，如位于機械傳動部分的減速器、離合器接觸面的磨損致使傳動精度下降，導致加工出的產品達不到設計的精度要求，因生產加工條件所限產生設備摩擦過熱又不能及時降溫導致熱傳導效應，致使控制電氣部分受到強烈干擾等。
3.導致問題的原因
以橋式起重機的減速器而言，作為起重機的重要傳動部件的減速器通過齒輪間的嚙合來傳遞運動及力，將電動機高速運轉的轉速利用齒輪間降速傳動的這一規律轉變為低速大扭矩的運動，但往往在傳遞扭矩過程中會出現因扭矩過大或運行下時間過長系統不好以及短時間過載或受到沖擊載荷，多次重復彎曲引起的等產生齒輪輪齒折斷現象，在齒輪傳動過程中因雜物粘到齒面以及輪齒表面面不光滑，有凸起點產生應力集中，或劑不清潔由于溫度過高引起失效。由于硬的顆粒進入摩擦面引起磨損，液壓缸和控制頭漏油在而產生的齒面點蝕或齒面磨損現象，因為輪齒見接觸溫度過高以及輪齒間接觸力過大產生的齒面膠和等現象，以上這些因素都會對起重機裝備造成運行功能達不到設計預期要求的現象。
4.淺談機械設備故障檢測的方法
在裝備制造業蓬勃發展的當今社會，即使機電設備故障診斷技術已逐步發展為一門集數學、物理、化學、生物學、信息處理、模式識別、智能控制、信息科學、電工電子技術、計算機科學技術、通訊技術系統科學、人工智能和機械設計加工制造等多學科領域交叉的新型綜合性技術。但以振動監測技術、油液磨屑分析檢測診斷技術、噪聲監測技術、紅外測溫技術以及射線掃描技術等為代表的傳統的機械設備診斷技術仍然被大量地使用于很多機械設備領域。首先，作為最常用的機械設備診斷技術振動監測診斷技術憑借其簡單高效的優越性仍被廣大技術檢測人員所親睞，振動監測診斷技術是通過測對設備進行測量來得出機械設備的振動參數及其特征，并利用計算機信息處理系統來對設備的狀態進行系統的分析并給出處理故障的方法。由于振動的廣泛性、參數多維性、測振方法的無損性、在線性的一種機械設備檢測技術。憑借上面所提到的其簡單高效的檢測手段，人們將機械設備振動監測診斷理所當然的作為機械設備故障診斷的首選方法。機械運行過程中要產生振動，機械狀態特征凝結在振動信息中。機械振動檢測技術需要測量的參數有速度、加速度以及位移，檢測人員可根據機械設備運行的固有頻率來對測量的參數和所用傳感器進行針對性的選擇。其次，通過對油液磨屑粒形狀識別或觀察油液介質的物理、化學成分的變化來判斷機械運行狀況而產生的另一中機械設備檢測技術隨之產生，即油液磨屑分析檢測診斷技術。其主要用于以機械設備系統和液壓系統為主的場合。最后就是以熱傳導為基礎而產生的紅外測溫診斷技術；通過對機械設備各部位所產生的不同溫度或溫度變化范圍及趨勢來對機械設備系統進行分析判斷來檢測機械設備運行狀態的紅外測溫診斷技術方法。諸如機械磨損、發動機排煙管堵塞、液壓系統油液性能優劣、電器接點燒壞等常見的機械設備故障問題均會引起機械設備溫度的變化，此外材料機械性能如剪切。彎曲、扭轉、拉伸壓、縮應力也與溫度的變化有著密不可分的關聯，因此，紅外測溫診斷技術在檢測機械設備故障問題上有著不可替代的優越性；尤其是對高速旋轉機件，采用一般以傳感器測溫為主流的檢測方法不能獲得準確測量值時，紅外測溫儀的優越性就更為顯著； 紅外測溫儀不僅能夠進行遠距離和非接觸式測溫，而且還具有信息處理、運算和進行簡單邏輯判斷的功能。
5. 小結
為了適應制造化大潮流的發展，在科學技術與現代化工業蓬勃發展當今世界，機械設備領域正朝著大型化、高速化、多功能化、輕型化、集成化、簡單化、自動化和大功率、大載荷、連續化方向飛速的實現跨越式的發展。機械系統的檢測技術勢必朝著智能化、集成化、多功能化的方向發展，實現以計算機控制為主流的機械設備人工網絡控制檢測檢測系統終將代替傳統的機械設備故障檢測方法。
參考文獻
[1]夏希樓.機械設備故障檢測診斷技術的現狀與發展[J]. 煤礦機械，2007，28（3）：183-185.
[2]王勝春，韓捷，李志農，等.基于矢模糊函數的旋轉機械故障診斷方法的研究[J].中國機械工程，2006（17）：74-77.
[3] 鐘秉林，黃仁，機械故障診斷學[M].北京：機械工業出版社，2002，第2版.
旋轉機械故障診斷范文5
關鍵詞 滾動軸承 狀態監測 MATLAB BP神經網絡
中圖分類號：TH133 文獻標識碼：A
1 監測軸承的意義和重要性
滾動軸承是各種旋轉機械中應用最廣泛的一種通用機械部件，它們在旋轉機械中起著關鍵的作用，旋轉機械的故障30%是由滾動軸承故障引起的，其運行狀態的正常與否直接影響到整臺機器的性能（包括精度、可靠性及壽命等）。因此，及時發現滾動軸承的故障并消除，能有效保證機器正常運轉，提高使用壽命。
2 常見軸承故障
滾動軸承在工作過程中，常見的軸承故障可總結為損傷和磨損兩大類。損傷類故障有疲勞剝落、塑性變形、軸承燒傷、銹蝕 、斷裂、膠合六種；磨損類故障為軸承長期正常工作引起的漸變性故障。
（1）疲勞剝落
在工作中，軸承滾子和滾道接觸面相對滾動的同時又互相擠壓，軸承部件接觸面將產生小的剝落坑，最終發展為大面積剝落，該現象稱作疲勞剝落。
（2）塑性變形
當工作載荷過重時，由于滾 動 軸 承 承受 的 過 大 的 沖 擊 力 和 靜 載 荷 的 原 因 ，軸承滾道的表面上形成的不均勻凹坑，這種現象主要發生在低速旋轉的軸承上。
（3）斷裂
過大的負荷和工作過程中摩擦產生的熱應力過大時能引起軸承零件斷裂。
（4）軸承燒傷
軸承不良、應用變質的油、裝配過緊或存在較大偏斜量能引起軸承的燒傷。
（5）膠合
軸承在高速高負荷和欠缺的情況下，摩擦產生的熱量能使軸承部件迅速升溫，到達一定溫度時能引起軸承部件接觸的金屬表面相互粘接，該現象稱作膠合。
3 常用的滾動軸承監測數據分析手段
利用振動信號對故障進行診斷，是設備故障診斷方法中有效且常用的方法。機械設備和機構系統在運行過程中的振動及其特征信息是反映系統狀態及其變化規律的主要信號。通過各種動態測試儀器提取、記錄和分析動態信息，是進行系統狀態監測和故障的主要選徑。常用的信號處理方法主要有時域分析、頻域分析和小波分析等。
4 信號采集和特征值提取
通過加速度傳感器可提取到振動信號。滾動軸承的振動信號的特征包括時域和頻域特征，這些特征的合理組合能夠很好的反應滾動軸承的運行狀態，實現對其的監測，并能通過進一步處理實現故障的識別。時域特征可包含信號的能量、波動性等信息，但遠遠不足以準確判斷故障所在；頻域的特征則是更加明顯。然而只有兩累特征綜合來判斷才能對故障進行準確識別。
對時域和頻域的各個參數分別進行分析，從中抽取特征，可用作模式識別的輸入量。特征選取依據以下原則：（1）同種狀態信號的特征重復性好；（2）不同種狀態信號的特征差異性好，即當被監測對象狀態發生改變時，特征值會明顯改變。
5 神經網絡的模式識別
5.1 人工神經網絡的基本原理
（1）人工神經元模型
最早提出神經元模型并且影響較人的是1943年心理學家在分析總結神經元基本特性的基礎上首先提出的MP模型。人工神經元模型是由大量處理單元廣泛互連而成的網絡，是人腦的抽象、簡化、模擬，反映人腦的基本特性。
（2）人工神經網絡結構。
神經網絡常分成兩大類：沒有反饋的前向神經網絡和相互結合型網絡，如圖4.1所示。
前向神經網絡由輸入層、一層或多層的隱含層和輸出層組成，每一層的神經元只接受前一層神經元的輸出。相互連接是指網絡中任意兩個單元之間都是可達的，即存在連接路徑。
5.2 BP神經網絡
（1）BP神經網絡的結構
BP神經網絡，即多層前饋式誤差反傳神經網絡，通常由輸入層、輸出層和若干隱含層構成：每一層都由若干個節點組成，每一個節點表示一個神經元，上層節點與下層節點之間通過權值連接，層與層之間的節點采用全互聯的連接方式。神經網絡的結構圖如下所示：
（2）網絡參數的確定
①網絡層數的確定
BP網絡是通過輸入層到輸出層的計算來完成的。多一層的隱含層雖然能提高網絡的訓練速度，但是需要較多的訓練時間，而訓練速度可以用增加隱含層節點個數來實現，因此在應用BP神經網絡時，選取只有一個隱含層的三層BP神經網絡就足夠了。
②輸入、輸出層神經元個數的確定
輸入層的神經元個數就是提取到的有效特征值的個數；輸出層神經元的個數要看問題模式的種類數，監測軸承的好壞有正常與故障兩種模式，故輸出層神經元的個數為1。當輸出為1時表示該軸承為正常軸承，輸出為0時表示該軸承為故障軸承。
③隱層神經元個數的確定
隱層神經元個數的確定比較復雜。在具體設計時，首先根據經驗公式初步確定隱含層神經元個數，然后通過對網絡進行訓練對比，再最終確定神經元數。通用的隱含層神經元數的確定經驗公式有：
其中為隱含層神經元的個數，n為輸入層神經元的個數，m為輸出層神經元的個數，a為常數且1 < a < 10。
6 結束語
通過對軸承特征值的提取，提取到了重復性好、差異性好的有效特征值。利用神經網絡模式對軸承的工作狀態進行有效的識別，將歸一化處理后的有效特征值作為神經網絡的輸入參數輸入，用實驗所測得的數據對BP神經網絡進行訓練，從而達到軸承狀態識別的目標。
參考文獻
[1] 雷建中，張增岐.國內外軸承廢品及失效分析.NSTL期刊，2010.7.
[2] 武棟梁.滾動軸承常見故障及其振動信號特征.中國航空導彈研究院，2012.6
[3] 蘇寶定.滾動軸承振動檢測與智能診斷系統研究.大連理工大學，2008.12
[4] 常文龍，胡朋.滾動軸承運行狀態智能化監測.科教導刊，2013.3
旋轉機械故障診斷范文6
1 故障診斷技術的發展[1]
故障診斷(FD)始于(機械)設備故障診斷，其全名是狀態監測與故障診斷(CMFD)。它包含兩方面內容:一是對設備的運行狀態進行監測;二是在發現異常情況后對設備的故障進行分析、診斷。故障診斷技術是一門交叉學科，融合了現代控制理論、信號處理、模式識別、最優化方法、決策論、人工智能等，為解決復雜系統的故障診斷問題提供了強有力的理論基礎，同時實現了故障診斷技術的實用化;近二十年來，由于技術進步與市場需求的雙重驅動，故障診斷技術得到了快速發展，已在航空航天、核反應堆、電廠、鋼鐵、化工等行業得到了成功應用，取得了顯著的經濟效益;從故障診斷技術誕生起，國際自動控制界就給予了高度重視。
以運動機械的振動檢測為中心，輔助以溫度、壓力、位移、轉速和電流等各種參數的采集，從而對鋼鐵冶煉中的各種大型傳動設備的狀態進行分析和判斷，從而達到故障診斷的目的。
2 故障診斷的主要理論和方法[2-3]
1971年Beard 發表的博士論文以及Mehra和Peschon發表的論文標志著故障診斷這門交叉學科的誕生。發展至今已有30多年的發展歷史，但作為一門綜合性新學科——故障診斷學——還是近些年發展起來的。從不同的角度出發有多種故障診斷分類方法，這些方法各有特點，但從學科整體可歸納以下幾類方法。
1) 基于系統數學模型的診斷方法:該方法以系統的數學模型為基礎，以現代控制理論和現代優化方法為指導，利用Luenberger觀測器 、等價空間方程、Kalman濾波器、參數模型估計與辨識等方法產生殘差，然后基于某種準則或閥值對殘差進行分析與評價，實現故障診斷。該方法要求與控制系統緊急結合，是實現監控、容錯控制、系統修復與重構等的前提、得到了高度重視，但是這種方法過于依賴系統數學模型的精確性，對于非線性高耦合等難以建立數學模型的系統，實現起來較困難。如狀態估計診斷法、參數估計診斷法、一致性檢查診斷法等。
2) 基于系統輸入輸出信號處理的診斷方法:通過某種信息處理和特征提取方法來進行故障診斷，應用較多的有各種譜分析方法、時間序列特征提取方法、自適應信號處理方法等。這種方法不需要對象的準備模型，因此適應性強。這類診斷方法有基于小波變換的診斷方法、基于輸出信號處理的診斷方法、基于時間序列特征提取的診斷方法。基于信息融合的診斷方法等。
3) 基于人工智能的診斷方法:基于建模處理和信號處理的診斷技術正發展為基于知識處理的智能診斷技術。人工智能最為控制領域最前沿的學科，在故障診斷中已得到成功的應用。對于那些沒有精確數學模型或者很難建立數學模型的復雜大系統，人工智能的方法有其與生俱來的優勢?；趯＜蚁到y的智能診斷技術、基于神經網絡的智能診斷技術與基于模糊邏輯的診斷方法已成為解決復雜大系統故障診斷的首選方法，有很高的研究價值和應用前景。這類智能診斷方法有基于專家系統的智能診斷技術、基于神經網絡的智能診斷技術、基于模糊邏輯的診斷方法、基于故障樹分析的診斷方法等。
4) 其它診斷方法:其它診斷方法有模式識別診斷方法、定性模型診斷方法以及基于灰色系統理論的診斷方法等。另外還包括前述方法之間互相耦合、互補不足而形成的一些混合診斷方法。
3 鋼鐵行業中故障診斷技術的應用[4-6]
鋼鐵行業中的主要機械設備是各種傳動設備和液壓設備，如軋機、傳送帶、各種風機等。它們的工作狀況決定了生產效率和鋼鐵冶煉的質量，對這些設備狀態的在線檢測，能夠及時、準確的檢測出生產設備的運行狀況，并給出相應的操作和建議。因此建立相應的故障診斷系統對整個系統的正常運行特別重要。于是針對鋼鐵行業特殊的機械環境(多傳動設備和液壓設備)，相應的故障診斷系統也必須以這些設備的特點而建立。主要原理是以運動機械的振動參量檢測為中心，輔助以溫度、壓力、位移、轉速和電流等各種參數的采集，從而對這些大型傳動設備的狀態進行分析和判斷，再進行相應的處理。整套故障診斷系統由計算機系統、數據采集單元、檢測元件、數據通訊單元以及專業開發軟件組成。此系統既可單獨工作，又可和DCS或PLC組成分散式故障診斷系統對所遇生產設備進行監控和故障診斷。整個系統的工作流程圖如圖1所示。
機械振動是普遍存在工程實際中，這種振動往往會影響其工作精度，加劇及其的磨損，加速疲勞損壞;同時由于磨損的增加和疲勞損壞的產生又會加劇機械設備的振動，形成一個惡性循環，直至設備發生故障，導致系統癱瘓、損壞。同時機械設備的工作環境也是造成機械設備發生故障主要原因之一，因此，根據對機械振動信號和工作環境溫度、濕度的測量和分析，不用停機和解體方式，就可以對機械的惡劣程度和故障性質有所了解。同時根據以往經驗建立相應的處理機制庫，從而針對不同的故障做出相應的診斷和處理。整個處理過程如下:
1)傳感器采集設備工作狀態信號。如各種傳動裝置的振動信號、溫度信號、液壓裝置的壓力、流量和功率信號等。
2)特征信號提取。將各種傳感器采集信號進行信號分類，刷選出相應的傳感器信號，如振動傳感器采集的文振動強度信號、壓力傳感器采集的壓力信號等。
3)對特征信號處理。對傳感器采集的特征信號進行濾波、放大等處理，提取出相應的特征信號。
4)對采集信號進行故障診斷。將提取的特征信號進行判斷處理，選擇相應的故障方法(如小波變換法)，分析故障類型和設備狀態，然后查詢故障類型庫，做出相應的決策。
4 結束語
建立在現代故障診斷技術上的鋼鐵冶煉設備故障診斷系統，可對設備的運行狀態進行實時在線檢測、通過對其監測信號的處理與分析，可真實地反映出設備的運行狀態和松動磨損等情況的發展程度及趨勢，為預防事故、科學合理安排檢修提供依據，可以提高設備的利用效率，產生了很大的經濟價值，對此類故障診斷系統的研究有很深遠的意義。
參考文獻
[1] 沈慶根，鄭水英.設備故障診斷[M].北京:化學工業出版社，2006.
[2] 王仲生.智能故障診斷與容錯控制[M].西安:西北工業大學出版社，2005.
[3] 李民中.狀態監測與故障診斷技術在煤礦大型機械設備上的應用[J].煤礦機械，2006(03).
[4] 傅其鳳，葛杏衛.基于BP神經網絡的旋轉機械故障診斷[J].煤礦機械，2006(04).
