中国石油西南油气田分公司重庆天然气净化总厂万州分厂 重庆 404000
摘要：近年来，随着我国科技的进步，我国机电设备处理技术越来越先进。电机是现代工业制造中的一项重要驱动设备，这类设备往往组成零件较多，如轴承为电机系统的核心构成部件，其主要作用是减少机械部件之间的消耗摩擦，具有较高的标准性和精度性，使用十分方便。但轴承属于一种连接部件，一方面来说需要对结构进行支撑，另一方面也会受到机械应力和机械磨损的影响，所以轴承在应用过程中十分容易出现形变或腐蚀，影响轴承的应用，导致其出现故障。
关键词：振动信号；电机轴承；故障诊断；探索方案
引言
设备状态监测与故障诊断在现代化设备管理与维修中占有重要的地位，也是预防维修的必要条件，其主要技术手段包括振动频谱分析、光谱分析、热成像、声发射、电气信号分析等。为了满足设备精细化管理需求，防止设备突发故障，提高设备运行可靠性，真正实现由预防性维护向预测性维护转型，最终实现设备故障根源性分析研究的管理模式，设备状态监测与故障诊断技术出现从单一技术分析向多技术融合的趋势发展。多技术融合的诊断方法对复杂故障诊断提供了多视角的诊断分析，各诊断技术之间形成了相辅相成、互为补充的格局，从而实现降低设备故障率，提高设备综合经济效益的目的。
1基于振动信号下的电机轴承诊断概述
振动检测法是一种电机轴承故障中应用最为广泛的主流诊断方案，其主要是对振动信号进行获取并通过振动信号的频率对电机的运行状况进行判断。首先来说振动信号在获取过程中较为方便，并且振动信号所需要应用的传感器获取价格低廉，具有较高的敏感度，这对于大多数工厂的批量生产来说都有十分重要的意义，能够在有效提高诊断准确率的同时降低生产成本。而在应用振动信号对电机运行状况进行检查时，振动信号受外界因素影响的状况较低，具有较高的诊断准确性。相关研究显示，轴承的运行状态与故障诊断中，应用轴承法能够对症状进行明确的同时，避免对轴承的运行造成影响，其价格低廉也获得了较多厂商的信赖。轴承检测的主要意义在于轴承运行过程中会随着运行的进展而不断发生振动和转动，虽然这种震动从肉眼看难以观察出其中存在的差别，但振动运动对轴承的运行状况进行了反映，是表现轴承自身特性的重要基础。而当电机运行过程中的轴承存在故障时，即通过振动信号收集的图像就会显示出轴承运动的异常，通过这种方式对轴承的运行状况进行诊断，为相关工作人员的日常工作带来帮助。严格意义上来说，振动法具有广泛的应用性，对于多种工况的电机轴承来说都能够很好的对电机的运行状况进行驾驭，从而对施工过程中存在的隐患进行明确。振动信号在运行过程中已经将计算机作为主要的引导方案，对收集到的振动信息应用计算机进行信息处理，能够有效对轴承的变化状况进行监测，了解轴承的运行过程，从而提高电机运行的效率，避免工作人员在开展工作时存在安全隐患，为工厂生产工作带来影响。
2振动信号的应用方案
2.1小波包分解
小波包分解是在小波变换的基础上而来，针对小波变换多分辨率分析没有细分的高频部分进一步分解，分解层数的增加，实现轴承故障在更细化的频带范围内进行特征提取，如图3为三层小波包分解的过程，分解级数即23，频带分量从低频到高频的顺序为（3，0）～（3，7）。在小波包分解中，采用db5小波基可以抑制频谱交错和泄漏。电机轴承故障信号通过共轭正交镜像滤波器（hk和gk为共轭正交镜像滤波器，hk为低通滤波器，gk为高通滤波器），把故障信号分解到各个频段内，实现小波包分解。能量特征综合了信号在时域和频域内所包含的全部故障信息，重构各频段信号，对信号能量进行统计分析，形成反映故障信号的特征向量。
2.2频域分析技术
频域分析就是对采集的振动时域信号进行快速傅里叶变换，把信号时域转换为频域，从而得到信号的频率成分。频域分析方法可以确定频率的变化范围，各频率成分幅值的大小和能量大小，还可以依照设备的工频，实现故障的判别。频域分析方法是目前最成熟、最有效的故障诊断方法。快速傅里叶变换就是离散型傅里叶变换的快速算法。快速傅里叶变换的基本思想是把原始的N点离散序列，依次分解成一系列的短序列。充分利用离散型傅里叶变换计算式中指数因子所具有的对称性质和周期性质，进而求出这些短序列相应的离散型傅里叶变换并进行适当组合，达到删除重复计算、减少乘法运算和简化结构的目的。
图3 小波包分解过程示意图
2.3小波包能量熵的应用
当电机在不同状况下进行运行时，其各个能量频段的分布均有所差异，所以这种特性可以应用小波包能量熵进行特征提取，来明确具体的轴承故障类型。其主要方式是对轴承的特征频率进行分析，了解具体的轴承运行特性，并采用小波包对轴承的各种频段差异进行分解，通过层数选择的方式来确定电机轴承运行过程中的最佳选择范围，这样能够避免故障排查过程中存在的盲目性。当确定了电机故障运行的信号频段后，可以将信号分解至不同频段的能量熵中，同样应用能量熵来表现出故障信号，在不同频段上出现的不同特征。相关实验表明，这种提取方式能够明确电机故障的形态特征值，主要应用于电机轴承的故障分类。
2.4电机轴承故障信号的不平稳性应用
由于电机轴承在发生故障后，其振动信号往往具有较为鲜明的不平稳性，所以将EEMD特征提取方案应用与振动信号特征提取中，能够明确具体的原始信号。而提取出原始信号后，可以结合IMF分量来进行相关程度计算，这样能够有效剔除信号中的虚假信息，明确其中的有用信息和真实样本，通过采集样本熵和排列熵的方式来明确EEMD分解结果中IMF分量的复杂程度，从而形成故障特性向量，为相关工作人员明确故障类型和故障分层有积极的指导作用。
结语
在对电机轴承故障进行诊断时，基于振动信号应用不同的诊断方案来对故障进行明确，能够获得较好的诊断准确效果，必要时也可以选择多种诊断方式、方案进行故障诊断，如果条件有限，则可以应用单一诊断方案，无论何种单一诊断方案的诊断准确率，通常能够达到95%以上，所以具有较好的应用意义。
参考文献：
[1]董振振．滚动轴承复合故障机理及振动模型研究［D］．哈尔滨工业大学，2015．
[2]徐漫洋．轴承振动信号采集与故障诊断方法研究［D］．沈阳大学，2014．
论文作者:潘昌杰,苏晓杰,杨膺辉
论文发表刊物:《防护工程》2018年第31期
论文发表时间:2019/1/14
标签：轴承论文; 信号论文; 故障论文; 电机论文; 分解论文; 小波论文; 频段论文; 《防护工程》2018年第31期论文;