基于声发射的轧机液压缸在线故障诊断与分析

发布时间：2020-11-13 00:36

　　 在钢铁冶金领域,机械设备的在线故障诊断具有重要意义,因为此类诊断不仅可以极大节约设备的维护、维修、更换等成本,而且还能降低设备故障引发的生产事故概率。然而,调研表明国内外针对钢铁工业的机械设备故障诊断研究尚处于初步阶段,还未发现成熟的理论与方法的推广与应用。轧机液压缸是钢铁生产过程中的重要机械设备之一,故障率较高,常常采用定期检修与更换的方法,保证轧机液压缸的稳定运行。轧机液压缸的在线故障诊断研究对其早期故障预报,降低维护成本和避免生产事故发生具有重要意义,因为轧机液压缸的故障轻则降低产品质量,重则引发停产事故。但由于液压缸故障诊断与识别涉及到多个相似度较大的状态变量,无法直接采用面向故障管理理念的模式识别手段处理。为此,研究轧机液压缸的在线故障诊断具有重要的理论意义和实际应用价值。本论文提出了基于声发射技术的轧机液压缸在线故障诊断理论与方法,通过声发射检测仪,在线检测了轧机液压缸正常、泄露状态下的声发射信号,深入研究了轧机液压缸状态声发射信号的消噪法和特征识别方法,分别提出了小波去噪法和三维状态热图与主成分分析的特征分类与识别方法,并与小波特征识别方法进行了特征识别效果比较,并给出了上述三种信号分析方法的优缺点,为解决液压缸在线故障诊断问题提供了新方法与思路,主要研究内容为:(1)详细分析了轧机液压缸的泄露以及声发射信号产生的机理,结合轧机液压缸的运动工作原理,确定了声发射采集系统传感器的安装位置,完成了液压缸在正常和泄露两种状态下的声发射信号的采集工作。(2)针对因小波基选择不当而引发的处理功能精度低的问题提出了一种新的小波基选择方法,然后采用小波阈值去噪方法处理轧机液压缸状态声发射信号进行消噪处理,并完成了除噪后信号的时、频、时-频特征的计算与特征提取。(3)针对轧机液压缸状态声发射信号的特征分类与识别问题,分别提出了三维状态热图法、主成分分析法,并与小波识别法进行了比较与分析,给出了仿真结果。分析表明,三维状态热图法适用于状态间相似度较大情况,主成分分析法适用于分析大样本高维特征数据,小波分析法虽简单高效,但较适用于分析小样本数据。
【学位单位】：冶金自动化研究设计院
【学位级别】：硕士
【学位年份】：2018
【中图分类】：TG333
【部分图文】：

外侧用防尘圈。为了防止活塞撞击到行程终端，气缸头放置在气缸盖，缓冲装置安装在液压缸端部。图2-1 轧机液压缸刨面结构图1、活塞杆 2（3）、密封圈 4、缸桶 5、缸底 6、位移传感器 7、无杆腔油口 8、活塞 9、有杆腔油口 10、除尘圈轧机液压缸的故障，液诊断中压缸的故障检测比较困难，由于液压缸的工作环境属于重载、多尘的恶略环境，并且液压缸的工作行程短，又因为活塞杆只在这一段范围内往复运动，所以对液压缸的磨损是非常严重的，这就直接导致液压缸的泄露问题。液压缸的泄露一般分为内泄露和外泄露两种情况。造成液压缸泄露的主要因素有许多，比如密封件的材质、密封件磨损、密封件的工作环境、密封槽与密封接触面的性能、液压缸的焊接缺陷等[40]。内泄露主要对液压缸的技术性能产生重要影响，导致出现运行速度慢、输出力不足和工作不稳定等现象。外泄露将导致环境的污染和能源的浪费。液压缸的外泄露现象非常直观，易于发掘和处理；而内泄露即看不到也摸不着，没有一定的经验和技术是很难判断的。同

冶金自动化研究设计院硕士学位论文轧机液压缸的工作机理，依据ASTME650/650M-12和ASTME1930/1930设定数据采集协议[41-43]：每个AE撞击被记录的采集频率为1MHz，采样间信号采集阈值为40dB。本项目以采集轧机液压缸在正常、泄露状态下的声发射信号为分析数据，轧机液压缸在正常状态下通过对轧机液压缸通入液压油，采集轧机液pa、10 Mpa和15 Mpa下的声发射信号，并分别保持采集时长100s；类似情况下也分别采集了5mpa至15mpa间各标准加载状态下的声发射信号，采集时长100s。完成信号采集后，分别对6种状态下产生的声发射信号数计分析。由于在前期研究中已证实从传感器的S3通道获得的声发射信号况反映轧机液压缸的运行状态[41]，因此选此通道数据作为分析数据来源

特征提取作为分类识别中的重要环节，直接影响到分类器的性能。通过对液压缸声发射信号进行特征分析，可以评价声发射泄漏源的严重程度。图3-3 声发射特征参数图3-3中声发射信号特征参数的具体定义为： 幅度：峰值振幅：单个波形的峰值振幅值（正或负），以dB为单位测量。平均振幅：AE信号的平均振幅，以dB为单位测量。 时间：持续时间：信号第一次越过阈值至最终降至阈值所经历的时间间隔, 以微秒（us）为单位测量。
【参考文献】

相关期刊论文 前10条

1 唐勇波;桂卫华;彭涛;欧阳伟;;PCA和KICA特征提取的变压器故障诊断模型[J];高电压技术;2014年02期

2 陈宏志;芦永明;王丽娜;Lik-Kwan Shark;John Goodacre;;较小样本动态声发射信号多元统计分析技术[J];振动.测试与诊断;2013年02期

3 桂卫华;杜建江;许灿辉;阳春华;;基于输出PDF的浮选故障检测和诊断方法[J];控制工程;2012年02期

4 张会会;张伟;胡昌华;周志杰;;基于主成分分析法的惯性器件寿命预测[J];系统仿真技术;2011年04期

5 胡昌华;王志远;周志杰;;基于随机滤波理论的剩余寿命预测方法研究[J];系统仿真技术;2011年02期

6 王兆强;胡昌华;周志杰;孔祥玉;;基于新的AFCM算法的陀螺仪漂移预测[J];电光与控制;2011年04期

7 胡扬;桂卫华;;人工代谢算法在故障诊断中的应用[J];信息与控制;2010年02期

8 蒋少华;桂卫华;阳春华;唐朝晖;;基于核主元分析与支持向量机的监控诊断方法及其应用[J];中南大学学报(自然科学版);2009年05期

9 胡昌华;张琪;乔玉坤;;强跟踪粒子滤波算法及其在故障预报中的应用[J];自动化学报;2008年12期

10 卢正鼎,赵萍;一种基于支持向量机的PCA分析方法[J];华中科技大学学报(自然科学版);2005年01期

相关博士学位论文 前2条

1 刘国华;声发射信号处理关键技术研究[D];浙江大学;2008年

2 姜长泓;轨道车辆轮轴故障检测系统研究[D];吉林大学;2006年

相关硕士学位论文 前3条

1 孙保峰;基于神经网络的表面肌电信号分类方法研究[D];吉林大学;2013年

2 王彬;基于声发射技术的预应力混凝土损伤检测理论及应用[D];江苏大学;2006年

3 龚仁荣;结构材料中声发射传播特性的研究[D];江苏大学;2005年

本文编号：2881468