基于频谱分析的罩式炉风机故障诊断及趋势预报 摘 要:分析罩式炉风机设备的振动特征;基于频谱分析理论,依据“特征幅值一故障”诊断模式,针对风机典型故障提取故障特征,应用灰预测理论,对风机不平衡故障进行趋势预报。 关键词:频谱分析;特征提取;灰预测;趋势预报 本文介绍风机设备的典型故障及振动特征,依据频谱分析理论,对风机振动信号进行功率谱密度分析,提取故障特征。应用灰预测理论,对故障特征值序列进行预测,并绘制趋势预报图,以及时了解设备当前及将来一段时间的工作状态,为生产和维修提供可靠依据,改定期维修为预知维修。 一、风机典型故障及其振动特征 风机工作系统主要由风机和电机两部分组成,其间由祸合器联接。风机典型故障包括转子不平衡、转子不对中、以及机件松动及轴承损坏等。本文主要针对风机不平衡故障进行预测和预报。 不平衡在频谱图上表现的特征为振动能量集中反映在旋转频率上,各倍频处有较小的谱峰。谱峰的幅值超过预定值则认为可能出现不平衡故障。 二、基于频谱分析的故障特征提取 本文中的基于频谱分析的故障特征提取即为对振动信号进行频谱分析(功率谱密度分析),提取故障特征频率处的幅值作为故障特征值。 —实验台模拟不平衡故障实验是在综合实验台上进行的。在配重盘上某点加载质量块,质量依次递增。电机转速1200r/min,在两端轴承座沿水平和垂直方向各安装一个压电式加速度传感器。采样频率512Hz。信号采集过程中,水平方向信号振动能量突出且集中,信号比较稳定,因此主要分析水平方向信号。实验分四个循环进行,第一次不加质量块,第二次加一个质量块,第三、四次在同一位置质量块数目递增,见表1。 表1设置故障与试验循环的关系 分别得到如图1所示振动加速度信号。 对四次循环信号分别做功率谱密度分析。图2为第一次和第四次功率谱密度图。 可以看出基频处均有较高幅值,与设置的不平衡故障相符。分别提取四次循环振动信号的基频处(20Hz)的特征频谱值,并绘制出特征障程度的增大而变化的情况,如图3所示。 可见随着故障程度加大,基频处的频谱特征值也呈上升趋势,可据此判断不平衡故障的程度。 罩式炉风机电机功率llkW,电机转速2925r/min,风机有12个叶片。在风机外壳沿垂平和轴向各安装一个压电加速度传感器,采样频率为2560Hz。 根据风机振动特征,知不平衡故障的特征频且为基频,且水平方向振动显著。定期提取罩式炉厂机水平方向振动信号基频()处频谱幅值,结果见表2。 表2风机振动信号基频处频谱特征值mm/s2三、不平衡故障预测和预报 灰色系统理论是一种利用已知信息来确定系统的未知信息而使系统由“灰”变“白”的过程,又称为系统的“白化过程”。一台运行中的设备就一个复杂的灰色系统。它主要表现在其故障(输入)和征兆(输出)之间关系的随机性和模糊性。 本文采用的模型如下。 其中a为发展系数,b为灰作用量,x(o)为满足条件的预测数列,x(1)为x(o)的AGO(Accu-mulatedG
基于频谱分析的罩式炉风机故障诊断及趋势预报 来自淘豆网www.taodocs.com转载请标明出处.