故障诊断小论文 (2)

0引言：

随着科技的发展，现代工业正逐步向生产设备大型化、复杂化、高速化和自动化方向发展，在提高生产率、降低成本、节约能源、减少废品率、保证产品质量等方面具有很大的优势。 

　　但是，由于故障所引起的灾难性事故及其所造成的对生命与财产的损失和对环境的破坏等也是很严重的，这就使得人们对诸如航空航天器、核电站、热电厂及其他大型化工设备的可靠性、安全性提出了越来越高的要求。除了在设计与制造阶段，通过改进可靠性设计、研究和应用新材料、新工艺以及加强生产过程中的质检控制措施提高系统的可靠性与安全性外，提高系统可靠性与安全性的另一个重要途径就是对系统的工作状态进行实时的监测与诊断，从而实现对设备的有效控制，并对灾难性故障的发生进行预警，为采取相应的补救措施提供有效的信息。故障诊断理论就是为了满足对系统可靠性和安全性要求的提高，减少并控制灾难性事故的发生而发展起来的。因此，故障诊断理论的发展必将促进故障监测和监控系统的快速发展与广泛应用，从而可以进一步的提高系统运行的可靠性与安全性，并由此产生巨大的经济和社会效益。

而滚动轴承是旋转机械最重要的零部件之一,也是旋转机械中的易损零件。据统计旋转机械的故障有30%是由轴承故障引起的, 轴承的故障会导致机器剧烈振动和产生噪声, 甚至会引起设备的损坏。因此, 对滚动轴承故障的诊断分析, 在生产实际中尤为重要。

滚动轴承诊断方法有倒频谱分析、特征参数分析法、冲击脉冲法、包络分析法、小波分析等。振动分析是对滚动轴承进行状态监测和故障诊断的常用方法。一般方式为：利用数据采集器在设备现场采集滚动轴承振动信号并储存，传送到计算机，利用振动分析软件进行深入分析，从而得到滚动轴承各种振动参数的准确数值，进而判断这些滚动轴承是否存在故障。

1滚动轴承的故障形式

   滚动轴承在正常情况下，长时间运转也会出现疲劳剥落和磨损。而制造缺陷、对重偏差大、转子不平衡、基础松动、润滑油变质等因素会加速轴承的损坏。

疲劳剥落

滚动轴承的内外滚道和滚动体交替进入和退出轴承区域，这些部件因长时间承受交变载荷的作用，首先从接触表面以下最大交变切应力处产生疲劳裂纹，继而扩展到接触表面在表面产生点状剥落，逐步发展到大片剥落，称之为疲劳剥落。

磨损

长时间运转使轴承的内外滚道和滚动体表面不可避免的产生磨损，持续的磨损使轴承间隙增大，振动和噪声增加。润滑不良和硬质颗粒进入滚道会加速轴承的磨损。

断裂

当轴承所受载荷、震动过大时，内外圈的缺陷位置在滚动体的反复冲击下，缺陷逐步扩展而断裂。 

锈蚀

水分或酸碱性物质直接侵入会引起轴承锈蚀。当轴承内部有电流通过时，在滚道和滚动体的接触点处引起电火花而产生电腐蚀，在表面上形成搓板状的凹凸不平。

擦伤

由于轴承的内外滚道和滚动体表面上的微观凸起或硬质颗粒使接触面受力不均，在润滑不良、高速重载工况下，因局部摩擦产生的热量造成接触面局部变形和摩擦焊合，严重时表面金属可能局部融化，接触面上作用力将局部摩擦焊接点从基体上撕裂。

2滚动轴承的失效形式

轴承失效通常划分为四个阶段：

第一阶段：在轴承失效的初始阶段，故障频率出现在超声频段。有多种信号处理手段能够检测到这些频率，如峰值能量gSE、应力波PeakVue、包络谱ESP、冲击脉冲SPM等。此时，轴承故障频率在加速度谱和速度频谱图上均无显示。

    第二阶段：轻微的轴承故障开始激起轴承元件的固有频段，一般在500～2KHz范围内。同时该频率还作为载波频率调制轴承的故障频率。起初只能观察到这个频率本身，后期表现为在固有频率附近出现边频。此时，轴承仍可安全运转。

第三阶段：轴承故障频率的谐波开始出现，边频带数目逐渐增多。谐波有时会比基频更早被发现。峰值能量gSE、应力波PeakVue、包络谱ESP、冲击脉冲SPM所测故障频率幅值显著升高。加速度频谱图上也可能观察到轴承故障的高次谐波。此时需要停机检修。

第四阶段：在加速度和速度频谱图上均能看到轴承故障频率的基频和高次谐波，并伴随有转速频率的边频带，各种手段所测频谱图的基底噪音水平升高，继而轴承故障频率开始消失被随机振动或噪音代替。能明显听到故障轴承产生的噪声。此时轴承已处于危险状态。

3故障分析方法 

3.1 倒频谱分析法

倒频谱分析也称为二次频谱分析，是对信号x（t）作进一步的谱分析而得到的，通过对滚动轴承典型故障的振动信号功率谱和倒频谱的比较分析,可知倒频谱能将主要的信息从复杂的频率成分和噪声中识别出来,能较好地辨别出故障特征频率和其它特征频率。在相关文献中采用倒频谱分析技术准确，快速地判定故障发生在轴承滚动体上。

3.2 特征参数分析法

3.2.1 时域特征参数分析

时域的特征参数分析包括有效值、峰值、峰值因子、峭度指标等方法。有效值是指振动振幅的均方根值，表现滚动轴承振动的瞬时值随着时间在不断地进行变化，可用于检测表面皱裂无规则振动波形的异常，但对表面剥落或伤痕等具有瞬变冲击振动的异常是不适用的；峰值是在某个时间内振幅的最大值，对瞬时现象也可得出正确的指示值，对滚动体对保持架的冲击及突发性外界干扰或灰尘等原因引起的瞬时振动比较敏感；峰值因子是峰值与有效值的比，该值适用于点蚀类故障的诊断。通过对峰值因子值随时间变化趋势的监测,可以有效地对滚动轴承进行早期预报,并能反映故障的发展趋势；峭度指标Kv 定义为归一化的4 阶矩，对于其振幅满足正态分布规律的无故障轴承，其峭度指标值约为3，随着故障的出现和发展，峭度指标值具有与峰值因子类似的变化趋势；

3.2.2 频域特征参数分析

当轴承无故障运行时,能量基本上集中在低频段;有故障时,故障引起的冲击力或摩擦力激发起轴承的高频振动,能量向中频段及高频段转移。信号的功率谱反映了信号的能量随频率的分布情况,即反映了信号中的频率成分以及各频率成分的能量大小情况。由此可以看出,通过描述功率谱中主频带位置的变化及谱能量分布的分散程度,可以较好地描述信号频域特征的变化。频域参数主要有重心频率、均方频率、均方根频率、频率方差、频率标准差等。

3.3 冲击脉冲法（SPM 法）

滚动轴承存在缺陷时，如有疲劳剥落、裂纹、磨损和滚道进入异物时，会发生冲击，引起脉冲性振动。冲击脉冲的强弱反映了故障的程度，它还和轴承的线速度有关。目前，基于该原理的故障诊断设备还广泛应用于工厂之中。在有关文献中，作者对传统SPM的检测方法进行改进，成功地建立聚丙烯造粒机滚动轴承的在线监测仪器系统，并在现场运行中成功检测出轴承的运行故障，避免重大事故的发生。

3.4 包络分析法

包络分析是目前诊断轴承和齿轮故障的最有效方法。包络分析是一种基于滤波检波的振动信号处理方法。包络分析在进行频谱分析之前，首先对振动信号进行高通或带通滤波，滤掉低频成分，然后对信号进行包络解调，提取附载在高频载波信号上的低频调制信号。最后经过低频滤波，滤掉高频载波，剩下包络之后的低频振动信号。

目前，常用的包络解调分析方法有:宽带解调技术、共振解调技术、选频解调技术、Hilbert 解调技术等。

3.5 小波分析

小波分析是继傅里叶分析之后，在20世纪80年代开始逐渐发展成熟起来的一个有力的信号分析工具。滚动轴承的故障特征信号比较弱，被淹没在高频振动和噪声中不容易分辨，然而经典的功率谱方法又难以检测出信噪比较低的故障特征信号，并且对微弱的故障特征信号不敏感，影响了诊断的可靠性和精确性。小波分析具有多尺度性和“数学显微镜”特性，这使得小波分析能识别振动信号中的突变信号。并且小波变换的空间局部化性质用来来分析信号的奇异性是非常有效的。小波变换可以对振动信号进行不同层度的分解,获取信号不同尺度的轮廓信息和细节信息,其反映了信号的本质信息从而为识别故障特征信号和其干扰信号提供了可能。

4振动分析实例

在长期生产过程的状态监测中发现，滚动轴承的运转状态在其使用过程中有一定的规律性，并且重复性非常好。正常优质轴承在开始使用时，振动幅值和 噪声均比较小，但频谱有些散乱(图1)这可能是由于制造过程中的一些缺陷，如表面毛刺等所致。

           图1

运行一段时间后，振动幅值和噪声维持一定水平，频谱非常单一， 仅出现一、二倍频。极少出现三倍工频以上频谱(图2)，轴承状态非常稳定，进入稳定工作期。

           图2

继续运行一段时间后，轴承幅值和噪声开始增大(图3)，有时出现异响 ，但振动增大的变化较缓慢，此时，轴承峭度值由2.303突然达到33.47，可认为轴承出现初期故障。这时，就要对该轴承进行严密监测，密切注意其变化。

            图3

此后，轴承峭度值又开始快速下降，并接近正常值，而振动和噪声开始显著增大(图4)，且幅度加快，当振动超过振动标准时(如ISO2372标准)，其轴承峭度值也开始快速增大。当峭度值也超过正常值(可用峭度相对标准，此处为4)达4.97， 速度达196.6mm/s时，我们认为轴承已进入晚期故障，需及时检修设备，更换滚动轴承。

                图4 

轴承表现出晚期故障特征到出现严重故障(一般为轴承损坏，如抱轴、烧伤、保持架散裂 、滚道和滚珠磨损等)时间大都不超过一周，设备容量越大，转速越快，其间隔时间越短。因此，在实际滚动轴承故障诊断中，一旦发现晚期故障特征，应果断判断轴承存在故障，尽快安排检修。

5滚动轴承快速诊断技巧

在实际状态监测中，往往只需判断滚动轴承好坏，能用多长时间。我们在现场诊断中，采用有量纲参数与无量纲参数相结合，可快速判断出轴承故障，即采用振动速度结合轴承峭度值进行综合诊断。当两个条件均超过标准时，我们判断轴承存在故障。

　　另外，当监测到滚动轴承低频振动非常大时(图5)，排除机组不对中、不平衡、结构松动 、基础共振等结构性因素后，即使无滚动轴承特征频率，也应对滚动轴承进行检修。

                         图5

6结束语

  在全球化的竞争中占据主动。工厂的设备高效率的，低成本的运转已经是不可缺少的一个环节。全面系统的落实轴承振动设备状态监控分析对达到该目的是我们所期望的。我们应该把有限的资金用在工厂的关键设备上做轴承振动的状态监控分析。通过专家的指导，对轴承状态监控的理论及经验能够充分的了解与应用。将故障诊断的多种方法结合起来使用，使中国的机械行业迈入一个新的台阶。

【参考文献】

[1]钟秉林,黄仁.机械故障诊断学[M].北京机械工业出版社,2007

[2]朱泉.滚动轴承状态监测与故障诊断实用技巧.论文，2007

[3]郑洋.小波变换在旋转机械故障检测中的应用研究[J].机械应用与研究,2008

[4]朱荣乾.滚动轴承的故障机理及诊断.论文，2007

[5]段晨东,何正嘉.基于提升模式的特征小波构造及其应用[J].振动工程学报,2007(1).

[6]严志伟.滚动轴承的故障诊断.轴承报，1999

[7]张中民,卢文祥,杨叔子,张英堂,张培林,郑海起.基于小波系数包络谱的滚动轴承故障诊断.振动工程学报,1998

[8]史东锋,鲍明, 屈梁生.小波包络分析在滚动轴承诊断中的应用.中国机械工程,2000

[9]郑传桥.浅析振动分析技术在滚动轴承故障诊断中的应用.中国工控网，2005

[10]屈梁生,何正嘉.机械故障诊断学.上海科学技术出版社，1986

[11]雷继尧,何世德.机械故障诊断基础知识.西安交通大学出版社, 1991

[12]崔硕.基于振动信号的滚动轴承故障诊断的方法研究.太原理工大学，2007

[13]李卓彦，周强强，李志雄.滚动轴承故障诊断技术的研究.科技信息，2008年第36期

[14]王步宇.结构损伤的小波分形神经网络检测[J] .工业控制计算机,2006

[15]孔亚林. 基于振动信号的滚动轴承故障诊断方法研究.大连理工大学报, 2006

[16]王卓，田振华，赵丁选.滚动轴承的振动监测与故障诊断系统研究.机电工程报，2001年06期

工程机械故障诊断技术的研究现状及发展趋势

摘要: 随着工程机械的日益复杂化和智能化，传统的故障诊断技术难以满足复杂系统的故障诊断要求，因此智能故障诊断技术得到更广泛的应用。介绍我国工程机械故障诊断技术的研究现状，并阐述工程机械现代智能故障诊断的方法，在此基础上提出工程机械故障诊断技术的发展趋势及需要进一步研究的问题。

关键词: 工程机械; 故障诊断; 发展趋势

引言

工程机械多系露天作业，受风雨、日晒、粉尘等影响和侵蚀，工作环境恶劣，故障频繁发生，因故障停机带来的损失十分巨大; 随着施工规模的日益庞大，工程机械趋向大型化、高速高效化、自动化和连续化，其结构也日趋复杂，针对工程机械故障的检测、诊断与维修来越困难，所以开展工程机械特别是对核心部件的智能故障诊断的研究工作十分必要。

    故障可以定义为系统至少一个特性或参数偏离正常的范围, 难于完成系统预期的功能. 故障诊断技术。是一种通过监测设备的状态参数, 发现设备异常情况, 分析设备故障原因, 并预测预报设备未来状态的一种技术, 其宗旨是运用当代一切科技的新成就发现设备的隐患, 以期对设备事故防患于未然, 是控制领域的一个热点研究方向.

1、 故障诊断的发展现状

目前, 国内检测诊断技术的研究主要集中在以下几个方面:

( 1) 传感技术研究: 传感技术是反映设备状态参数的仪表技术。国内先后开发了各种类型的传感器, 如屯涡流传感器、速度传感器、加速度传感器和温度传感器等; 最近开发的传感技术有光导纤维、激光、声发射等。

（2）关于信号分析与处理技术的研究: 从传统的谱分析、时序分析和时域分析, 开始引入了一些先进的信号分析手段, 如快速傅立叶变换, Wigner谱分析和小波变换等。这类新方法的引入弥补了传统分析法的不足。

（3）关于人工智能和专家系统的研究: 这方面的研究已成为诊断技术的发展主流, 目前已有日程机械故障诊断专家系统，但这一技术在工程方面的研究尚未达到人们所期望的水平。

（4）关于神经网络的研究: 比如旋转机械神经网络分类系统等的研究已经取得了应用, 取得了满意的效果。

（5）关于诊断系统的开发与研究: 从单机巡检与诊断到上下位机式主从机结构, 直至以网络为基础的布式系统的结构越来越复杂, 实时性越来越高。

（6）专门化与便携式诊断仪器和设备的研制与开发。目前, 我国的冶金、电力、化工等行业的故障诊断技术己经很成熟, 得到了广泛的应用。

2 现代故障诊断方法

工程机械运行的状态千差万别，出现的故障也是多种多样，采用的诊断方法也各不相同。在众多的诊断方法中，比较常用的诊断方法有振动监测诊断方法、无损检测技术、温度诊断方法和铁谱分析方法等。近十几年来，模糊诊断、故障树分析、专家系统、人工神经网络等新的诊断技术不断出现，故障诊断技术逐步向智能化方向发展。

（1） 故障树诊断方法

故障树诊断方法是从研究系统中最不希望发生的故障状态( 结果) 出发，按照一定的逻辑关系从总体到部件一层层的逐级细化，推理分析故障形成的原因，最终确定故障发生的最初基本原因、影响程度和发生概率。它是一种图形演绎法，把系统故障与导致该故障的各种因素形象地绘成故障图表，能较直观地反映故障、元部件、系统及因素、原因之间的相互关系，也能定量计算故障程度、概率、原因等。该方法直观、快速诊断、知识库很容易动态修改，但其缺点是受主观因素影响较大，诊断结果严重依赖于故障树信息的正确性和完整性，不能诊断不可预知的故障。

（2）故障诊断专家系统

专家系统是一种基于知识的人工诊断系统，是利用大量人类专家的知识和推理方法求解复杂的实际问题的人工智能程序。故障诊断专家系统是研究最多、应用最广的一类智能诊断技术，主要用于没有精确数学模型或很难建立数学模型的复杂系统。专家系统存在的主要问题是知识获取困难、运行速度慢。在采用先进传感技术与信号处理技术的基础上研制开发的故障诊断专家系统，将现代科学的优势同领域专家丰富经验与思维方式的优势结合起来，已成为故障诊断技术发展的主要方向。

（3） 基于模糊数学的故障诊断方法

工程机械的状态信号传播途径复杂，故障与特征参数间的映射关系模糊，再加上边界条件的不确定性、运行工况的多变性，使故障征兆和故障原因之间难以建立准确的对应关系，用传统的二值逻辑显然不合理，因此选用隶属度函数，用相应的隶属度来描述这些症状存在的倾向性。基于模糊数学的故障诊断方法就是通过某些症状的隶属度和模糊关系矩阵来求出各种故障原因的隶属度，以表征各种故障的倾向性，从而可以减少许多不确定因素给诊断工作带来的困难。但是对于复杂的诊断系统，要建立正确的模糊规则和隶属度函数非常困难，而且需要消耗大量的时间。

（4 ）基于神经网络的故障诊断方法

神经网络是一种信息处理系统，是为模仿人脑工作方式而设计的，它带有大量按一定方式连接的和并行分布的处理器。由工程机械各个系统的信息提取故障特征，通过学习训练样本来确定故障判决规则，从而进行故障诊断。用于故障诊断的神经网络能够在出现新故障时通过自学习不断调整权值，可以提高故障的正确检测率，降低漏报率和误报率。神经网络具有对故障的联想记忆、模式匹配和相似归纳能力，以实现故障和征兆之间复杂的非线性映射关系。对于多故障、多过程的复杂工程机械以及突发性故障或其他异常现象，其故障形成的原因与征兆的因果关系错综复杂，借助神经网络系统来解决是行之有效的。

（5） 支持向量机的故障诊断方法

典型故障数据样本的严重不足是制约故障智能诊断技术发展的主要原因之一。支持向量机( SVM)是一种基于统计学习理论的新型机器学习方法，其目标是得到现有信息下的最优解而不仅仅是样本数趋于无穷大时的最优解。这一点特别适合于故障诊断这种小样本情况的实际问题解决。

3 、发展趋势

设备故障诊断技术与当代前沿科学的融合是设备故障诊断技术的发展方向。当今故障诊断技术的发展趋势是传感器的精密化、化, 诊断理论、诊断模型的多元化, 诊断技术的智能化, 具体来说表现在如下方面：

( 1) 与当代最新传感技术尤其是激光测试技术的融合。近年来, 激光技术已从军事、医疗。机械加工等领域深入发展到振动测量和设备故障诊断中, 并且己经成功应用于旋转机械对中等方面。

( 2) 与最新信号处理方法相融合。随着新的信号处理方法在设各故障诊断领域中的应用, 传统的基于快速弗利叶变换的信号分析技术有了新的突破性进展。

( 3) 与非线性原理和方法的融合。机械设备在发生故障时, 其行为往往表现为非线性特征。如旋转机械的转于在不平衡外力的作用下表现出的非线性振动。随着混沌与分型几何方法的日趋完善, 这类问题毕将得到进一步解决。

( 4) 与多元传感技术的融合。现代化大生产要求对设备进行全方位、多角度的监测与维护, 以便对设备的运行状态有整体的、全方面的了解。因此, 在进行设备故障诊断时, 可采川多个传感器同时对设备的各个位置进行监测, 然后按照一定的方法对这些信息进行处理, 如人工神经网络方法。

( 5) 与现代智能方法的融合。现代智能技术包括专家系统、模糊逻辑、神经网络、进化计算等。现代智能方法在设备故障诊断技术中己得到了广泛的应用, 随着智能科技的不断发展, 设备状态的智能监测和故障诊断将是故障诊断技术的最终目标。

4、结束语

从今后的发展看, 故障诊断技术必须跳出仅针对机械运行过程这个环节的局限性, 而应该放在产品的整个生命周期中来统筹考虑, 对机械系统的整个寿命周期进行有效的分析, 从而提高机械系统的可靠性和可维修性, 延长系统的寿命, 降低寿命周期费用。从诊断的方式上来看, 传统的诊断方法和理论对单过程、单故障和渐发性故障的简单系统可以发挥较好的作用, 对于多过程、多故障和突发性故障以及复杂庞大、高度自动化的大型设备和系统, 就具有较大的局限性。专家系统主要用于复杂的机械系统, 能够克服基于模型的故障诊断方法对模型的过分依赖性, 人工神经网络对于故障的模式识别具有独特的优点。将人工智能的理论和方法应用于机械故障诊断, 发展智能化的机械故障诊断技术, 是机械故障诊断的一个新的途径, 成为机械故障诊断的一个重要研究方向。

参考文献：

[1] 冯志鹏等.旋转机械振动故障诊断理论与技术进展综述[ J].振动与冲击,2001( 4) ：36

[2]  王世明,贾鸿社,杨为民,李天石.国外工程机械新技术新结构和发展趋势 [J].工程机械,2004,35(1):61-65

[3]  范国伟 故障诊断技术在化工生产中的应用[J] . 化工矿物与加工, 2000 ( 2) : 9

[4]  蒋瑜, 陶利民等, 机械设备状态预测方法的发展与研究[J]  现代机械, 2001 ( 3 )

[5]  夏松波,等旋转机械故障诊断技术的现状与展望[J] 振动与冲击, 1997( 2 ) : 16

[6]  王巍等.设备故障可诊断性的研究与探索[J]  哈尔滨工业大学学报, 2000( 2) : 16

[7]  阮跃. 旋转机械智能故障诊断系统的设计[J]  自动化仪表, 2000 ( l) : 14

[8]  廖双龙 等基于In ternet的旋转机械实时在线监测网[J]  计算机应用, 2000( 5 ) : 58

[9]  郭建华. 机电设备故障诊断技术的发展概况及远程诊断方法研究[ J] 重庆厂学院学报, 2002( 4 ): 28

[10]  罗锦等. 故障诊断技术的发展和展望. 自动化与仪器仪表, 2003( 2 ): 1

[11]  黄文虎 ,夏松波等 设备故障诊断原理/技术及应用[M ] 北京; 科技出版社, 1996

[12]  钟秉林, 黄仁. 机械故障诊断学[M ]. 北京: 机械工业出版社, 2006

[13]  马建仓, 林其敖, 葛文杰. 机械故障诊断学科的现状及发展[ J]. 机械科学与技术, 1994( 2): 85- 90

[14]  沈庆根, 郑水英. 设备故障诊断[M ]. 北京: 化学工业出版社, 2005.

[15]  王琳. 机械设备故障诊断与检测常用方法及其发展趋势[ J]. 武汉工业大学学报,     2000, 22( 3) : 62- .

[16]  屈梁生. 机械故障的全息诊断原理[M ]. 北京: 科学出版社, 2007

[17] 黄纯颖, 等.机械创新设计[M].北京: 高等教育出版社, 2000.

[18] 崔彦平, 傅其凤,等.机械设备故障诊断发展历程及展望[J].河北工业技术,2004,4.

[19] 王江萍． 机械设备故障诊断技术及应用［M］． 西安: 西北工业大学出版社， 2001，8: 123 － 145．

[20] 沈庆根，郑水英． 设备故障诊断［M］． 北京: 化学工业出版社， 2006． 3: 19 － 21．

[21]  曾红苹, 石博强等. 基于W eb的机械状态监测与故障诊断系统[J].唐山高等专科学校学报, 200( 2)