本文介绍风机设备的典型故障及振动特征,依据频谱分析理论,对风机振动信号进行功率谱密度分析,提取故障特征。应用灰预测理论,对故障特征值序列进行预测,并绘制趋势预报图,以及时了解设备当前及将来一段时间的工作状态,为生产和维修提供可靠依据,改定期维修为预知维修。
dfgsdfget45768@3245ERTIUI#$%#^*^SDFSDHFJ
对四次循环信号分别做功率谱密度分析。图2为第一次和第四次功率谱密度图。
可以看出基频处均有较高幅值,与设置的不平衡故障相符。分别提取四次循环振动信号的基频处(20Hz)的特征频谱值,并绘制出特征障程度的增大而变化的情况,如图3所示。
可见随着故障程度加大,基频处的频谱特征值也呈上升趋势,可据此判断不平衡故障的程度。
2.罩式炉风机不平衡故障特征提取
罩式炉风机电机功率llkW,电机转速2 925r/min,风机有12个叶片。在风机外壳沿垂平和轴向各安装一个压电加速度传感器,采样频率为2560Hz。
根据风机振动特征,知不平衡故障的特征频且为基频,且水平方向振动显著。定期提取罩式炉厂机水平方向振动信号基频(48.75 Hz)处频谱幅值,结果见表2。
表2 风机振动信号基频处频谱特征值
mm/s
2
三、不平衡故障预测和预报
1.灰预测理论
灰色系统理论是一种利用已知信息来确定系统的未知信息而使系统由“灰”变“白”的过程,又称为系统的“白化过程”。一台运行中的设备就一个复杂的灰色系统。它主要表现在其故障(输入)和征兆(输出)之间关系的随机性和模糊性。
本文采用的模型如下。
其中a为发展系数,b为灰作用量,x (o )为满足条件的预测数列,x(1 )为x(o )的AGO (Accu-mulated Generating Operation)序列。
2.故障特征值预测
以表2中前七个数据作为预测数列,预测第八个和第九个值,预测结果如图4所示。
采用残差检验法检验
令ε(k)为残差,
令p°为精度,
P°=(1-ε(avg))×100% (2)
一般要求p°>80%,最好是P°>90%将预测值与实际值比较,经残差检验,此风机p(8)=90.9%,p(9)=84.23%。即预测第一点较好,第二点次之。实际应用时可根据实际情况,建立适当的模型,以提高预测精度。
3.基于频谱分析的风机不平衡故障诊断及趋势预报
本文中的趋势预报是基于故障趋势预报图,判断设备当前及将来一段时间的工作状况。此趋势预报图有预警功能,提取的特征值超过警示线即说明产生了故障,可及时发出警报,提示进行检查;超过危险线时则提醒进行维修。
确定警示值和危险值的方法有绝对法、相对法和类比法。本文采用相对法,即以机器正常状态的振动值作为基准。通过多次实验比较,确定基频处特征幅值的警示值为20,危险值为40。
通过故障特征值的提取和预测,并绘制趋势预报图来判断机械设备当前及将来一段时间内的工作状态,可为生产和维修提供可靠依据,减少不必要的维修费用,提高经济效益,优化管理,具有一定的实用价值。
参考文献 :
[1]屈梁生,张海军机械故障诊断中的几个基本问题[J].中国机械工程,Vol. 11, No. 1-2,211-216,2000.
[2]Liangshdng Qu,Xiong Liu and Yaodong Chen.The holospec-trum : a new method for rotor surveillance and diagnosis [J].J.Mech Signature and Signal Processing, 1989,3(3):255268
[3]张海军.机械故障诊断和预测中的信息提取[M].西安:西安交通大学,2002.
[4]刘舒,孟建.样本序列的可预测性研究[J].预测,1997(2):47-49.
[5]田靖.离心风机运行中的常见故障及分析[J].大连特殊钢,2000,(1):17-19.
[6]徐科军.信号处理技术[M].武汉:武汉理工大学出版社,2001
[7]张贤达.现代信号处理[Ml.北京:清华大学出版社,1995.
[8]黄长艺,严普强.机械工程测试技术基础[M].北京:机械工业出版社,2001.
[9]邓聚龙.灰预测与灰决策[M].武汉:华中科技大学出版社,2000
[10]寇惠,原培新故障诊断的振动信号处理[M].北京:科学出版社,1998.