基于小波包和包络分析的滚动轴承故障自动诊断方法

作者:贾军峰;杨国安;李新华;吴振生 刊名:石油矿场机械 上传者:张啸肃

【摘要】提出了一种基于峭度-小波包-包络分析的滚动轴承故障自动诊断方法。首先用峭度系数判断是否出现故障,再针对故障轴承振动信号非平稳和调幅的特点,用小波包将信号分解到不同的节点上。然后将不同节点的重构信号做包络谱分析,将谱峰处的频率同滚动轴承内圈、外圈、滚珠、保持架等的故障频率进行对比分析,在此基础上,运用最小距离判别法则自动获得故障原因,从而实现滚动轴承故障的自动诊断。通过对实验中采集到的轴承振动信号进行分析,证明了该方法在轴承早期故障诊断中的有效性。

全文阅读

滚动轴承是各种旋转机械中应用最广泛的通用件之一,同时也是易损件之一。据不完全统计,旋转机械的故障约有30%因滚动轴承引起的[1],因此研究滚动轴承故障诊断是非常重要和必要的。一般情况下,无论滚动轴承出现何种损伤,其振动形式往往是复杂的调幅振动。载波是轴承各组件的以其固有频率振动的高频部分,起调制作用的是与损伤有关的通过频率。同时,轴承系统将被这些故障产生的冲击所激励,产生一系列的冲击衰减响应,导致轴承系统的瞬时高频共振,故障轴承振动的突出表现就是其非平稳特性[2]。传统的包络分析中,通常采用单一的带通滤波器滤除混杂在信息中的无用成分以提高信噪比,这样在很大程度上模糊或丢掉信号的突变位置信息,很难全面提取隐含在振动信号各调制频带内的故障信息特征,甚至包络谱中常常出现一些非故障特征谱线的谱峰。小波包分解是一种非常精细的分解方法,可以将频带进行多层次划分,把振动信号各个调制频带的故障特征频率都提取出来加以分析,这就有可能把所有故障(无论严重程度如何)都检测出来。本文用小波包将信号分解到不同的节点上,然后将不同节点的分解系数做包络谱分析,搜索谱峰处的频率,并计算其与滚动轴承内圈、外圈、滚珠、保持架等故障频率的距离。在此基础上,运用最小距离判别法则自动获得故障原因,从而实现滚动轴承故障的自动诊断。1滚动轴承故障特性滚动轴承的故障形式十分复杂,一般包括表面疲劳损伤、胶合、磨损、烧伤、腐蚀、破损、压痕等。主要表现为内圈、外圈、滚动体裂纹和很少见的保持架破裂。当轴承产生故障后,滚动体通过故障位置时,将会产生周期性的冲击脉冲。故障的位置不同,冲击脉冲的特征频率也不同。根据这些特征频率就可以判断出故障发生的位置。对应轴承不同部位(内圈、滚动体、外圈)的故障,其故障特征频率(假设外圈固定)如下:内圈有一个缺陷:fi=12zfr(1+dDcos)(1)外圈有一个缺陷:fo=12zfr(1-dDcos)(2)单个滚珠有一个缺陷:fb=12Ddfr(1-(dDcos)2)(3)保持架有一个缺陷:fc=12fr(1-dDcos)(4)式中,D为轴承节径;d为滚动体直径;为轴承接触角;z为滚珠数目;fr为内圈旋转频率(外圈固定)。滚动轴承故障频率分布有一个明显的特点,往往在低频和高频两个频段都有表现。所以在进行频率分析时,可以选择这两个频段进行分析。低频段分析的频率范围f<1000Hz,覆盖轴承通过频率;高频段分析的频率范围f=1000~10000Hz,主要是固有频率及高次谐波。在轴承故障的早期,高频段反映比较敏感,但一般只能识别其总体状态,即做出轴承有无故障及其故障严重程度的结论,而低频段分析一般可以确诊故障的部位[3]。2简易诊断为了初步判断滚动轴承是否出现故障,通常需要求出振动信号的时域参数与某种标准进行比较。有资料统计表明,使用峭度系数和有效值共同来监测滚动轴承振动情况,故障确诊成功率可以达到96%以上[1]。峭度(Kurtosis)K是反映振动信号分布特性的数值统计量,为归一化的4阶中心矩[1]:K=+-(x(t)--x)4p(x)dx4(5)式中,x(t)为瞬时振幅;-x为振幅均值;p(x)为概率密度;为标准差。对于给定的一组振动信号峭度系数为:K=1NNi=1xi--xt4(6)式中,xi为信号值;-x为信号均值;N为采样长度;t为标准差。无故障轴承的振幅的概率密度曲线是典型的正态分布,其峭度值约为3。随着故障的出现和发展,概率密度曲线可能出现偏斜或分散,峭度值也随之增大。一般来说,峭度的变化趋势随着轴承故障的加重而增大。系统正常情况下K3;出现异常时K>3。对于

参考文献

引证文献

问答

我要提问