风机是大型制造企业使用的关键设备之一,如东风汽车公司使用了大量的运转速度高,功率大的风机。随着工业发展对风机性能要求的提高,风机设计和制造技术也不断提高,所出现的振动故障也越来越复杂,目前采用的在线监测装置具有振动专家系统的很少,且很不完善。利用先进的检测、诊断仪器,采用科学有效的技术方法开展现场故障诊断是目前故障诊断和预测分析的主要方法。而工厂的管理者对设备的运营状况提出了实时性要求,既要满足对设备的在线监测与故障报警,又要对设备的运行发展趋势做出预测。本文将全息谱技术与SPC算法相结合,就风机的在线监测、故障诊断及发展趋势进行了研究和探讨。
技术对过程中的各个阶段进行监控,从而达到工况状态监视和故障诊断的目的。SPC强调全过程的预防。
取特征值x的平均值是因为均值X反映在x上的偶然波动是随机的,通过均值的平均作用,这种偶然波动得到一定的抵消;而反映在X上的异常波动往往是在同一个方向的,它不会通过均值的平均作用抵消。得出特征值的平均变化后,采用余值法,计算出实时测得的特征值减去平均值的余值,对余值采用SPC方法,计算出统计控制图来。根据中心极限定理,当样本大小n>4或5时,我们可以认为计算出的余值近似正态分布。
假定特征值余值服从正态分布N(H 2),且r均已知。若Xi,x2,…,xn是大小为n的余值样本,则样本均值为2SPC技术原理简称,即统计过程控制。SPC包括对过程监测和统计分析,特别是过程的变化性,判断系统行为是否不变以及是否受到外界的影响。也就是应用统计2/n),并且样本均值落入下列两个界限工作研究间的概率为1-a因此若!与已知,则式(2)与式(3)可分别作为样本均值的控制图的上下控制界限。如前述,通常取Z"2=3,即采用3控制界限,这样,99.73%的样本均值都在控制界限内。当然,即使x的分布是非正态的,但由于中心极限定理,上述结果也近似成立。
3提取特征值轴心轨迹的形状、进动方向和稳定性是故障诊断中重要的征兆参数。轴心轨迹是指转子轴心点相对于轴承座运动而形成的轨迹,它携带着丰富的诊断信息。因此,轴心轨迹是一些大型旋转机械(如汽轮机、压缩机等)的重要诊断手段之一。
轴心轨迹的形状取决于x和y方向振动波形及它们之间的相互关系。对于实际转子,x和y方向的振动波形本身就是多个谐波成分的叠加,还包含一定成分的噪声,轴的各向支承刚度也不相等。因此,一般轴心轨迹的形状是十分复杂的。
全息谱是利用布置在转动部分同一横截面上相互垂直的两个传感器所采集到的数据进行分解4应用SPC技术对风机振动进行监测利用全息谱技术,将风机轴心轨迹在时域内仿真重组,来作为SPC的特征值。这样,既利用了轴心轨迹含有丰富诊断信息的特性,又能通过SPC满足对设备的在线监测与故障报警,以及对设备的运行发展趋势做出预测。
由于轴心轨迹数据属于二维数组,不便于SPC分析,所以将二维数组转化为矢量数据,这样SPC只需考虑振点对原始点的振幅,而与角度无关。
重构,然后选取分析结果中相对应频率的信号进行轨迹合成。合成轴心轨迹是在谱分析的基础之上,将y方向振动的多个谱频成分提取出来,在时域内进行仿真重组。由于丫方向的振动只含主要频率成分,所得轴心轨迹的形状简单,易于识别。
为实际测得的一个振动信号,由于包含了噪声成分,轴心轨迹的形状十分紊乱。是经过谱分析之后,重新合成时域,所得合成轴心轨对于所计算出的冲压机轴瓦温度余值,p与未知,这时就必须应用从稳态过程所取的预备样本的数据对它们进行估计。预备样本通常至少取25(根据判稳准则,*好至少取35个预备样本)。设取m个样本,每个样本包含n个观测值。
样本大小n主要取决于合理分组的结构,抽样与检查的费用,参数估计的效率等因素,这里根据风机的实际情况,n取为4.令所取的m个样本的均迹。轴心轨迹的形状已经大大简化了。如果与典型故障的轴心轨迹相比,就可以比较容易地判断出故障种类。
含有噪声的轴心轨迹值分别为xbx2,…,x则过程的;!的*佳估计;!量为总均值X.于是x可作为x图的中心线。
为了建立控制界限,需要估计过程的标准差可以根据m个样本的极差或标准差来进行估计。应用极差进行估计的优点是极差计算简单。
本的极差R为*大观测值xmx与*小观测值xmn之差,即若样本取自正态总体,可以证明样本极差R与总体标准差!有下列关系:令W=R/!,可以证明E(W)=d2,为一与样本大小n有关的常数,于是,的估计量为!=E(R)/则样本平均极差为故!的估计量为若样本大小n较小,则用极差法估计总体方差与用样本方差去估计总体方差的效果是一样的。但当n较大,如n>10或12,则由于极差没有考虑样本在Xmx与Xmn之间的观测值的信息,故极差法的效率迅速降低。但在本课题中,在x图取n4,所以极差法是令人满意的。
图的控制线为具体原因有可能是不平衡、不对中、轴承座松动或者轴承损坏引起的,具体问题还要具体分析。