故障诊断课程设计滚轴.docx

故障诊断课程设计滚轴.docx

《故障诊断课程设计滚轴.docx》由会员分享，可在线阅读，更多相关《故障诊断课程设计滚轴.docx（16页珍藏版）》请在冰点文库上搜索。

故障诊断课程设计滚轴

滚动机械轴承的故障诊断

1引言

滚动轴承是机器的易损件之一，据不完全统计，旋转机械的故障约有30%是因为滚动轴承引起的，由此可见滚动轴承故障诊断工作的重要性。

随着对滚动轴承的运动学、动力学的深入研究，对于轴承振动信号中的频率成分和轴承零件的几何尺寸及缺陷类型的关系有了比较清楚的了解，加之快速傅里叶变换技术的发展。

开创了用频域分析方法来检测和诊断轴承故障的新领域。

其中最具代表性的有对钢球共振频率的研究，对轴承圈自由共振频率的研究。

本文主要着重于对滚动轴承滚动体磨损的故障研究，主要研究方法为傅里叶变换，功率谱分析，自相关分析，倒频谱分析，Hilbert包络谱，小波理论等方法。

2轴承内圈故障特征频率

对滚动轴承实施振动诊断的基本方法是频率分析。

滚动轴承的振动频率成分非常丰富，每一个元件都有各自的故障特征频率。

由于滚动轴承早期故障的诊断信号十分微弱，往往淹没在其它强烈的振动信号之中。

因此，若检测信号的振动幅值往往难以发现故障的存在，容易造成漏检。

通过对振动信号作频率分析可以部分避免这种情况。

为了顺利地进行频率分析，需要计算出滚动轴承的主要特征频率。

滚动体故障的特征频率：

上式中D节径，d滚动体直径，

为接触角，

为内圈的转频。

代入具体的数据，

当

=5HZ时，可得

=25.38HZ，当

=10HZ时，可得

=50.77HZ，当

=15HZ时，可得

=76.15HZ，当

=20HZ时，可得

=101.54HZ。

3FFT运算

FFT是离散傅里叶变换的快速算法，可以将一个信号变换到频域。

有些信号在时域上很难看出什么特征的，但是如果变换到频域之后，就很容易看出特征了。

这就是很多信号分析采用FFT的原因。

另外，FFT可以将一个信号的频谱提取出来，这在频谱分析方面也是经常用的。

3.1时域波形

时域波形图如下：

由上述图1和图2观察比较可以发现，正常时的振动信号要平稳很多，振幅较小，而故障信号则振动剧烈，振幅较大，具有明显的冲击信号，呈现出周期性的特点，但得不到具体的频率方面的信息。

3.2FFT运算波形

从上述图4中可以看出，正常状态下，轴承的低频段谱峰突出。

图3与图4比较发现，在发生故障的情形下，轴承的振动信号，不仅在低频段表现突出，而且在高频段谱峰突出比较明显，而且有多个谱峰，这主要是因为滚动体有损伤时，在转动一周内，有时损伤点位于载荷区内，有时位于损伤区外；当损伤点位于载荷区内时，它与滚动体接触时产生脉冲力；当损伤点位于载荷区外时，如果不考虑运动时惯性力的作用，则不产生脉冲力；由此分析可以看出，滚动体损伤引起的脉冲力的大小和方向受损点位置的影响，当产生的脉冲力较大时，能够引起高频共振，当产生的脉冲力较小时，引起中低频共振。

从故障信号的频谱图形，很难得出轴承发生故障的特征频率。

4功率谱

功率谱估计是数字信号处理的主要内容之一，主要研究信号在频域中的各种特征，目的是根据有限数据在频域内提取被淹没在噪声中的有用信号。

功率谱是从能量的观点对信号进行研究。

从上述两个图中，比较可以发现，正常信号的功率谱图形与故障信号的功率谱图形的差别是很明显的。

正常信号的功率谱主要集中在0~500Hz低频范围内，振幅也较小；而故障信号的功率谱主要集中在高频带，振幅也较大。

这主要是因为，滚动体有损伤时，在转动过程中，会产生冲击信号，叠加在正常信号上，使得幅度增加，而且产生了高频共振。

5自相关分析

从上述两个图中比较可以看出，故障信号的自相关运算和正常信号的自相关运算的差别是很明显，主要表现在：

（1）幅值大小不一样，正常信号的幅值范围比故障信号的幅值范围小；

（2）故障信号的自相关程度呈现出一种由弱到强，再到弱的特点，没有周期性；而正常信号的则呈现出一种随着时间的变化，自相关程度逐渐减小的特点；（3）故障信号有一些很明显的冲击信号，幅值很高，而正常信号则没有。

6数据分析

正常时数据

故障时数据

均值

0.0015

0.0065

有效值

0.2569

0.8313

方差

6.3854e-005

6.4979e-004

歪度

-0.1337

-0.1063

峭度

3.7211

7.2483

该数据是在转速为300转/分钟，采样频率20K情况下的正常数据与故障数据的分析比较。

从表中可以看出，故障情况下，均值、有效值、方差、歪度和峭度的值均远高于正常时的数据。

7倒频谱

300转/分钟时的信号倒频谱

450转/分钟时的信号倒频谱

600转/分钟时的信号倒频谱

750转/分钟时的信号倒频谱

从图中可知，正常信号的倒频谱没有明显的冲击信号，故障信号的倒频谱可以观察到明显的冲击信号，由此可以判断设备是否存在故障。

另外，在300转/分钟时，故障信号的冲击信号不明显，随着转速的增加，冲击信号越来越明显，也越来越多。

8Hilbert包络谱

上图是故障信号和正常信号的包络谱曲线分析图。

从图中可以看出，故障信号的从低频到高频的过程中，有明显的冲击信号，在某些频率上有着较大的幅值，随着频率的增加，幅值降低。

正常信号的幅值较小，没有很明显的冲击信号。

6小波运算

信号的时域描述、傅里叶变换及小波分析具有不同的特点：

时域描述是最直观、最容易理解的信号表达形式。

在一些对幅值感兴趣的工程问题中，这种描述最为有用。

但是它没有任何频率信息，看不到信号的成分，不利于分析振源、振动的传递与频率的关系等问题。

傅里叶变换是完全从频域的角度描述信号，较2时域描述更为深刻，在需要了解振源、振动的传递及动力学有关的问题随频率的变化关系方面最为适用。

但是傅里叶变换使用的函数完全频域化，没有任何时域信息，它反映信号的各频率分量的平均效果，因此对于一些非平稳信号不太适合。

在一些振动问题上需要将时域的完全时间局部化和傅里叶变换的完全频率局部化结合起来，找到一种折中的办法，及寻求时频分析。

小波变换的兴起是人类在时频分析方面的突破，小波分析在处理非平稳信号和故障诊断方面得到广泛的应用。

本文中对转动频率为15HZ的故障信号进行小波分解，主要采用haar小波基。

对故障信号做11层分解

上图中，V3、V5、V8、V9、V10、V11是故障信号小波分解的近似系数，代表信号中的低频部分，也就是信号中代表故障的信号，表征了故障信号的本身特征，从这些信号中，可以辨别出故障的情况。

W10~W0表示的是信号中的高频部分，表征信号的细微差别，也就是信号中的噪声。

观察近似系数的波形图，可以发现近似系数的振幅大多是小于0的，表示故障信号的本身特性中，振幅是小于0的。

观察细节系数的波形图，可以发现信号的振幅是关于横轴对称的，也就是噪声信号。

比较观察后，发现故障信号的本身特征是不关于横轴对称的，而信号中的高频成分是关于横轴对称的。

对小波分解后的细节信号进行重构，原始故障信号时域图、故障信号小波分解后重构信号时域图、故障信号小波分解后重构信号FFT频谱图如上图所示。

由图可知原始故障信号时域图无法对故障频率进行判断，但从故障信号小波分解后重构的FFT频谱图可得故障频率大致为75.68HZ。

根据滚动体故障特征频率公式可得，转动频率为15HZ时故障特征频率为76.15HZ，实验结果与理论值较为接近。

10结论

本文主要是对轴承滚动体的故障信号进行处理，并与正常信号进行比较。

主要用到的方法有：

快速傅里叶变换（FFT）、功率谱、自相关运算、功率谱、倒频谱、Hilbert包络谱、小波分析等，无论是哪一种方法，通过作图发现，故障信号与正常信号的差别是很明显的。

其中采用小波分析的方式，有着比较明显的优势。

信号的小波分解由于其基函数的时频局部化特性，可以很好地表示信号的非线性和冲击特征，而对于存在的高频低幅噪声有极大的略化作用，能有效地区分信号中的突变部分和噪声，从而实现信号的降噪。

同时结合小波降噪的优点，对信号进行降噪处理，成功实现了故障信号特征频率提取，体现了小波在轴承故障诊断中的工程实用价值。