以下为《1 机械设备故障诊断系统》的无排版文字预览,完整格式请下载
下载前请仔细阅读文字预览以及下方图片预览。图片预览是什么样的,下载的文档就是什么样的。
1 机械设备故障诊断系统
机械设备往往利用分布式传感器作为故障诊断系统的重要部分,实时监测机械设备在工作状态或相对静止状态下的信号,将之与监测对象的历史状态相比对,通过数字信号处理等手段进一步分析和处理所获信号,准确地确定故障的发生位置及故障类型,从而得以及时排除机械设备的故障。在早期,机械设备状态监测的方法主要包括振动监测法、采样分析法、测温法及超声波法等。对于绝大多数机械设备,以振动作为主要参考标准的诊断方法最为常见。
机械设备故障诊断系统主要分为两大部分:①借助传感器获取振动等参考信号进行分析处理。传感器技术依托电磁感应等原理来测得机械设备的工作状态参数,并将所得数据传输到微型计算机中,接着微机将其与数据库原始标准健康数据进行比对,初步诊断机械设备的状态。但仅仅依靠传感器是不行的,传感器只能监测电流、电压等有限的状态参数,诊断效果较差。②智能诊断技术,这类技术基于第一部分所获数据进一步分析处理,以计算机为载体实现一种与人类思维运算近似的智能诊断系统。它可以实现基于所测信号机理,设定诊断规则,进行特征提取、数字信号分析等功能,与传统的简单对比诊断相比,更加科学实用。这类技术目前已经相对成熟,且渐渐成为主流的应用技术。
2 机械设备的故障诊断方法
2.1 远程监测诊断技术
在工程应用中,机械设备各种参数的动态信号往往通过传感器来获得,为了使监测所得的动态信号与机械设备一一对应,工程师会对机械设备按顺序编号。接着传感器采集的信号通过无线网络技术传输给机械设备监控中心的计算机服务器,根据动态信号的时域和频域分析结果,实现机械设备运行状态的远程实时监测功能。
在对获得的数据进行时域分析时,可以通过判断时域信号中是否有周期性脉冲峰值等方法。但这类方法容易受到机械设备运行时周围噪声信号的干扰,不易判断出机械设备的健康状态。而将时域信号通过频 内容过长,仅展示头部和尾部部分文字预览,全文请查看图片预览。 神经网络、长短时记忆网络、深度置信网络等,这些网络也开始被引入到机械设备的故障诊断中,并具有良好的效果。此外,模糊集故障诊断系统也是人工智能的技术类型之一。模糊集理论的“模糊”主要是指事物本身的概念较为模糊,并不指方法具备随机性。通过这一理论可以及时对故障类型及位置进行诊断。模糊控制理论是将经典集合理论模糊化,并将语言变量和近似推理引入模糊控制逻辑中。但当前模糊集理论在处理复杂故障问题中的应用并不突出,仍然有待进一步探索。
3 信号分解及其在机械故障诊断应用中面临的问题
信号分量的重构精度及其瞬时频率(或瞬时幅值)的估计精度是反映信号分解算法性能的重要指标,也是决定信号分解算法能否成功提取机械故障特征的关键因素。虽然国内外学者提出了诸多信号分解方法,但是面对异常复杂的实际机械振动信号,这些方法仍然难以得到满意的分析结果。现有信号分解方法及其在机械故障诊断应用中存在的问题主要包括:
分解结果的稀疏性问题。 在处理时变非平稳信号时,大多数分解方法(如EMD)得到的信号分量的数目通常大于实际关注的特征分量的数目(即分解结果不稀疏),这些分量中甚至包括与真实信号特征毫不相关的虚假分量。
紧邻信号分量的分离问题。 机械振动信号异常复杂,会出现某些重要特征分量的频率间隔很近的情况,如齿轮啮合频率及其边频带分量,准确识别和分离这类紧邻分量对机械故障诊断至关重要。然而,由于算法的固有局限,现有信号分解方法很难处理频率距离很近的分量。
微弱信号分量的提取问题。 在机械设备发生故障的初期,由于故障十分轻微,振动信号中的故障特征分量相对微弱,极易被噪声和其他无关信号成分淹没。
强时变调频信号的表征问题。在大幅度变速工况下,旋转机械的振动信号通常会呈现出强时变的非线性调频特征。即使在恒转速工况下,某些机械故障(如转子碰摩)也会导致复杂的强时变调频现象。
[文章尾部最后300字内容到此结束,中间部分内容请查看底下的图片预览]请点击下方选择您需要的文档下载。
以上为《1 机械设备故障诊断系统》的无排版文字预览,完整格式请下载
下载前请仔细阅读上面文字预览以及下方图片预览。图片预览是什么样的,下载的文档就是什么样的。