基于小波和EMD的滚动轴承非接触声学诊断方法研究

发布时间：2020-11-10 20:25

　　 旋转设备是石油石化、轻工业和交通运输等领域应用极为广泛的大型重要设备。约有30%的旋转设备故障是由于滚动轴承的损坏造成的。应用最普遍的振动检测方法是基于滚动体与轴承滚道损伤处相接触产生高转速冲击和异常声响来判断的,但低转速轴承滚动体转速很低,冲击水平也很低,利用振动法对低速滚动轴承故障进行识别极为困难。利用声发射技术分析滚动轴承故障,拾取轴承转动中的声发射信号并进行处理,可有效地识别低速滚动轴承的断裂和疲劳损伤故障。与传统轴承共振解调诊断的振动方法比较,用声发射法进行故障诊断能预报轴承早期故障,特征频率和特征信号明显,优势凸显。 传统的接触式声发射检测方式保持了传感器与轴承外表面的充分耦合,把声波衰减降为最小,传感器不仅接收到了轴承的有效状态信息,又不可避免地接收到了非检测部件的干扰信息。在某些特定的情况下,如货车轨边滚动轴承故障诊断时,轴承除旋转外与传感器之间有相对直线运动,不能将传感器直接贴在轴承或轴承座表面进行实时监测。利用非接触声发射诊断技术可以解决上述问题。为避免引入一些额外的混响及邻近的机械设备的噪声,降低信噪比,诊断只能在近声场测量。 本文在对滚动轴承声发射波产生机理及传播理论研究的基础上,在实验室条件下,对不同故障模式滚动轴承进行非接触声发射检测,结合滚动轴承噪声信号特点将测得AE信号进行小波降噪处理,进一步利用小波分析,神经网络,EMD等现代信号处理技术进行轴承信号特征分析,综合判断滚动轴承的故障特征。 滚动轴承的磨损故障及表面损伤类故障的形成和扩展过程,故障部位与其轴承构件在运动过程中的相互摩擦和碰撞,均会产生声发射现象。传感器接收到的有效信息主要来自声发射波经过轴承和空气中不同程度衰减和模式变化后的表面波。小波分析有效剔出了各类噪声,识别出滚动轴承特征频带。小波包提供了一种更能细化特征频谱的信号处理方法,对滚动轴承声发射信号利用小波包降噪和分析起到了很好的效果。然而,小波与小波包仅仅给出了轴承的声学信号特征频带,不足以对滚动轴承各种故障模式进行归类识别。利用小波包对信号进行特征提取后借助神经网络模式识别技术大大提高了故障诊断的准确性和有效性。 此外,EMD方法自适应地提取出了原信号局部特征信息,与之相适应的Hilbert变换在信号分解,瞬时参数求取,刻画时频特征方面做了很大突破,对小波降噪信号进一步利用EMD分解,对有效分解模量作出Hibert边际谱准确刻画了轴承声信号特征频率,很好地达到了故障诊断的目的。
【学位单位】：大庆石油学院
【学位级别】：硕士
【学位年份】：2009
【中图分类】：TH133.33
【部分图文】：

声波传播途径引起的声信号畸变和衰有比较简单的宽带、阶跃性特征，但在材料，其波形发生很大的畸变。这一点无疑给声 技术监测的对象绝大多数是固体，而固体中板波和表面波等。这些波的传播速度各不相声波除直达波外还可以经多种路径到达传感径到达传感器声波的迭加（混响效应），这，传感器本身还有所谓“振铃”效应（传感许多情况下，如何从这样一个比较复杂的信频率/Hz图 1.2 空气吸声系数与声波频率的关系Fig.1.2 The relationship between air absorptioncoefficient and frequency

B6.9mm，轴承节径 Dm=115.8mm，接触角α =14.6°，滚动体个数 z=19。分以及滚动体上制作一个长度为 36mm、深度为 1mm、宽度为 1.5mm 长条见实物图 2-6 所示。PAC公司生产的PCI-8声发射信号处理卡和工业计算机组成滚动轴承声发声发射数据与 PC 机极高的传输速度、可控制的多个滤波段，保证了所有及波形数据的实时采集及传输，能满足高水平声发射应用的要求。声发射检测的一个重要环节，它将接收到的声发射信号以电信号的形式输数材料研究和构件的非破坏性检测，一般采用单端谐振式声发射传感器，位于 50kHz～300kHz 内，典型应用为 150kHz，响应频带窄，波形畸变大，作简便，价格便宜，适于大量常规检测[49]。结合滚动轴承声发射频率范验选用美国 PAC 公司生产的 WD 宽带传感器，其特点为阻尼小、在谐振灵敏度，其尺寸为 18×17mm，重量为 20g，工作温度为-65～177℃。配置图 2-6 缺陷实物图Fig.2-6 The fig of the physical defects

n=90r/min n=120r/min n=160r/min n=200r/min n=240r/min滚子 3 4 3 3 31 圈外圈 8 8 8 8 8滚子 17 18 17 17 165 圈外圈 41 41 41 41 40滚子 36 35 34 33 3310 圈外圈 81 82 82 82 80以轴承转速为90r/min，传感器与轴承间距s=200mm时检测信号为例，应用美国PAC公司 SAMOS 系统分别生成滚子和外圈在各转速下的撞击数图形，如图 2.11 和图 2.12所示，图 a、b、c 代表轴承运转 1、5、10 圈时间内撞击数关联图。通过时间与总撞击数二者之间的关联图可以看出：滚子故障轴承转 1 圈和转 5 圈的实际撞击数与理论撞击数完全相符，转 10 圈的实际撞击数为 37，比理论撞击数多 1 个，因为实验中不可避免地引入了噪声信号。而外圈故障轴承转 1 圈的撞击数与理论撞击数都是 8 个，转 5 圈和10 圈的实际撞击数均少于理论撞击数，转 5 圈实际撞击数 39，比理论数少 2，转 10 圈实际撞击数 76，比理论数少 5，可见轴承转数增加所测到的撞击数存在误差，但都在可接受范围之内。
【引证文献】

相关期刊论文 前1条

1 李捷;张德强;王淑英;肖湘;;应用小波包和Hilbert分析的轴承故障特征提取方法[J];现代制造工程;2012年11期

相关博士学位论文 前2条

1 杨志军;铁磁性平板腐蚀缺陷多通道漏磁信号的反演与重构[D];东北石油大学;2011年

2 吴晓;基于声传感器阵列的油气管道内检测器地面标记跟踪技术研究[D];天津大学;2010年

相关硕士学位论文 前2条

1 杨柳;杨树水胁迫声发射检测系统研究[D];北京林业大学;2011年

2 苏宪章;滚动轴承故障非接触多传感器声信号融合及诊断技术研究[D];东北石油大学;2012年

本文编号：2878310