CN105509965A - 一种针对旋转机械构造异常为不平衡的特征参量模型 - Google Patents

Abstract

本发明公开了一种针对旋转机械构造异常为不平衡的特征参量模型，属于机械故障诊断学领域，主要解决在旋转机械发生故障的早期阶段检测故障和区分故障类型的问题。该特征参量模型通过分析旋转机械构造异常为不平衡状态下低频处的频谱特征来构建相关的特征参数，以此来反映该状态下的振动特性，利用分辨指数(DI)来评价该特征参量模型的适用性及分辨灵敏度，解决了传统的特征参量无法确定故障类型的问题。

Description

一种针对旋转机械构造异常为不平衡的特征参量模型

技术领域

本发明涉及一种针对旋转机械构造异常为不对中的特征参量模型，属于机械故障诊断学领域。

背景技术

构造异常也称为结构性故障，即旋转机器发生故障，并且在激振频率的低频区域处显示特征频谱。构造异常导致旋转机械的轴部过度劳累，也是导致轴承、齿轮等发生故障的主要原因。也就是说，构造异常可能导致机械系统发生故障，并可能导致巨大的生产损失。因此，检测和区分结构性故障对保证生产效率和工厂安全是非常重要的。在某种意义上，特征提取可以说是当前机械故障诊断研究中的瓶颈问题，它直接关系到故障诊断的准确性和故障早期预报的可靠性。在实际应用中，故障与征兆之间往往并不存在简单的一一对应的关系，一种故障可能对应若多种征兆，反之一种征兆也可能由于多种故障所致，这些给故障特征提取带来了困难。

针对某一具体故障类型，其特征通常通过某些物理参量表现出来，并且与各物理参量的强弱情况存在一定的联系，只要机械系统的状态发生变化，就必定会影响到与之相联系的各个动态物理参量，牵涉面较广，而这些对故障灵敏、稳定可靠的物理参量则被用来构建相应的特征参量模型。虽然某种故障类型的发生可引起多个物理参量的变化，但可用作故障特征的参量是有限的，故障特征参量模型必须具备高度敏感性、可靠性及实用性。

不平衡是旋转机械的轴部常发生的结构性故障。所谓不平衡，是指转子受材料质量、加工、装配以及运行中多种因素的影响，其质量中心和旋转中心线之间存在一定量的偏心距，使得转子在工作时形成周期性的离心力干扰，在轴承上产生动载荷，从而引起机器振动的现象。传统的特征参量模型如裕度指标、歪度指标、峭度指标等无量纲参数虽能在早期阶段进行故障诊断，但难以确定故障类型。

发明内容

基于以往特征参量模型存在的技术问题，本发明提出了一种新型的针对旋转机械构造异常为不平衡的特征参量模型构建。通过分析旋转机械构造异常为不平衡状态下低频处的频谱特征，构建转频成分比率、高谐波比率两个参量模型。

频谱值的比值比上正常状态下2倍旋转频率的频谱值与旋转频率的频谱值的比值，即 $M_1=\frac{T_d\left(2f_r\right)/T_d\left(f_r\right)}{T_n\left(2f_r\right)/T_n\left(f_r\right)}.$

轴方向振动指标为检测到的轴线方向与水平方向上的振动信号的均方根值的比值比上正常状态下轴线方向与水平方向上的振动信号的均方根值的比值，即

垂直与水平振幅比为检测到的垂直方向与水平方向上的振动信号的均方根值的比值比上正常状态下垂直方向与水平方向上的振动信号的均方根值的比值，即

本发明具有以下优点：

该特征参量模型分辨率高、实用性强、可靠性高。

附图说明

图1为离心式风扇正常状态下水平方向的频谱图。

图2为离心式风扇正常状态下垂直方向的频谱图。

图3为离心式风扇正常状态下轴线方向的频谱图。

图4为离心式风扇不对中状态下水平方向的频谱图。

图5为离心式风扇不对中状态下垂直方向的频谱图。

图6为离心式风扇不对中状态下轴线方向的频谱图。

具体实施方案

下面结合附图和具体试验过程对本发明作进一步说明。

离心式风扇的诊断测试：三个加速度计(PCBMA352A60)输出从5HZ至60KHZ和10mV/g的带宽测量水平、垂直和轴向分别在正常和不对中状态下的振动信号。由加速度计所测量的振动信号被传感器信号调节器(PCBICP模型480C02)放大之后被转化到信号记录器(范围编码器DL750)。原振动信号在频域中分别如图1～6所示。这些信号均以恒定速度(600转)进行测量。信号测量的采样频率为50KHZ，采样时间为20s。

根据测量结果计算各参数值如下表：

利用分辨指数(DI)作质量指标来评价特征参量的分辨灵敏度，具体验证过程如下：

假设x₁和x₂分别是测量状态1和状态2中信号计算出的特征参数的值，并分别符合正态分布N(μ₁，σ₁)和N(μ₂，σ₂)。这里，μ和σ是特征参数的平均值和标准偏差。|x₂-x₁|的值越大，由特征参数区分两种状态的灵敏度越高。由于z＝x₂-x₁也符合正态分布N(μ₂-μ₁，σ₁+σ₂)，有以下关于Z的密度函数：

$f\left(z\right)=\frac{1}{\sqrt{2\mathrm{\π}({\mathrm{\σ}}_1^2+{\mathrm{\σ}}_2^2)}}\exp \left\{\frac{{\{z-({\mathrm{\μ}}_2-{\mathrm{\μ}}_1)\}}^2}{2({\mathrm{\σ}}_1^2+{\mathrm{\σ}}_2^2)}\right\}---\left(1\right)$

在这里，μ₂≥μ₁(同理，当μ₁≥μ₂)，概率可以按如下公式计算：

$P_0={\∫}_{-\mathrm{\∞}}^{0}f\left(z\right)d_z---\left(2\right)$

在这里，1-P₀被称为“分辨率(DR)”。将下式：

$\mathrm{\μ}=\frac{z-({\mathrm{\μ}}_2-{\mathrm{\μ}}_1)}{\sqrt{{\mathrm{\σ}}_1^2+{\mathrm{\σ}}_2^2}}---\left(3\right)$

代入式(1)和(2)中，P₀通过下式获得：

$P_0=\frac{1}{\sqrt{2\mathrm{\π}}}{\∫}_{-\mathrm{\∞}}^{-DI}\exp (-\frac{{\mathrm{\μ}}^2}{2})d_{\mathrm{\μ}}---\left(4\right)$

在这里，DI(分辨指数)的计算如下：

$DI=\frac{{\mathrm{\μ}}_2-{\mathrm{\μ}}_1}{\sqrt{{\mathrm{\σ}}_1^2+{\mathrm{\σ}}_2^2}}$ 或者 $DI=\frac{\stackrel{\‾}{x_2}-\stackrel{\‾}{x_1}}{\sqrt{{\mathrm{\σ}}_1^2+{\mathrm{\σ}}_2^2}}---\left(5\right)$

很明显，DI值越大，“分辨率(DR＝1-P₀)”的值也将越大，因此，特征参数也将更好。

根据上述验证过程，计算得到的对应特征参量的DI值如下表：

	N1	N2
			DIN-UN	5.86623	3.29783

由上表得两个特征参数的DI值均大于3.29，根据标准正态分布曲线的面积及纵坐标表，当DI＝3.29时，分辨率达到99.949％，因此，两个特征参量模型对旋转机械构造异常为不平衡故障的诊断分辨率均达到99.949％以上。

Claims (3)

1.一种针对旋转机械构造异常为不平衡的特征参量模型，其特征在于：通过分析旋转机械构造异常为不平衡状态下低频处的频谱特征，具体包括转频成分比率、高谐波比率的特征参量模型。

2.根据权利1所述的针对旋转机械构造异常为不平衡的特征参量模型，其特征在于所述的转频成分比率为水平或垂直方向上检测到的旋转频率的频谱值与旋转频率2～20倍高次谐波频率下的频谱值之和的比值比上正常状态旋转频率的频谱值与旋转频率2～20倍高次谐波频率下的频谱值之和的比值，即 $N_1=\frac{T_d\left(f_r\right)/\underset{i=2}{\overset{20}{\Σ}}{T}_d(i\·f_r)}{T_n\left(f_r\right)/T_n\underset{i=2}{\overset{20}{\Σ}}(i\·f_r)}.$

3.根据权利1所述的针对旋转机械构造异常为不平衡的特征参量模型，其特征在于所述的高谐波比率为水平或垂直方向上检测到的3倍旋转频率的频谱值与旋转频率的频谱值的比值比上正常状态3倍旋转频率的频谱值与旋转频率的频谱值的比值，即