机械故障诊断论文

引言机械零部件的磨损是机械设备发生的故障中最常见、最主要的故障形式，是影响机械设备正常运行的主要障碍之一。据统计，磨损故障占机械设备故障的80%〔1〕，而且磨损还可诱发其它形式的故障。随着现代工业的发展，对生产的连续性和运转机械设备的可靠性要求不断提高，因而对机械设备进行磨损工况监测和故障诊断具有重要意义。 机械零部件发生磨损时，磨损颗粒便进入润滑系统并悬浮在润滑油中。这些微小的磨损颗粒携带有机械设备发生磨损故障的重要信息。为了从润滑油里的磨损颗粒中获取有关机械设备磨损故障的特征信息，常采用“油液监测技术”，其中包括磁塞法、光谱法、铁谱法、放射性示踪法、过滤法、颗粒计数法[2,3]。实践证明，在上述这些方法中，铁谱分析技术是监测磨损工况和诊断磨损故障最为有效的方法，在设备日常管理、预测性维修、可靠性分析和寿命预测方面起到了重要作用。然而，在铁谱诊断技术应用的近20年中，诊断过程中的磨粒识别和故障诊断这两个关键步骤主要凭借人的经验。由于磨损现象的复杂性、研究的对象不同以及铁谱分析者间缺乏充分交流，导致使用磨粒术语和描述磨损故障的混乱，尽管在磨粒分类与磨粒术语标准化方面还有一些基础工作要做，但经过一些研究者的努力，已有比较一致的观点。相比之下，对磨损故障分类与磨损故障描述规范化的研究则较少。在人工诊断时，重点在磨粒识别，磨损故障描述方面的混乱对故障诊断的影响并不突出。随着现场监测对智能化诊断的迫切要求以及计算机图像处理技术和智能(人工智能和神经网络)技术在铁谱诊断中的应用，对磨损故障的分类与铁谱诊断方法提出了新的要求。本文系统分板到几械设备磨损故障和铁谱诊断过程，舞在综合分析铁谱诊断方法的基础上，提出了一个智能化铁请诊断模型。1机械设备磨损故障分析机械设备磨损故障的原因机械设备磨损故障(以下简称磨损故障)是指由于相对运动的两个表面之间的摩擦磨损致使设备的功能低于规定水平的状态。概括地讲，引起磨损故障有两种情况：①由设备设计时预计之中的常规磨损引起的故障。在一般机械零件摩擦副中，正常的零件磨损过程大致分为磨合磨损、稳定磨损和剧烈磨损三个阶段川。在稳定磨损达到一定时期时，设备的磨损率随时间而迅速增大，超出设备设计时规定的磨损量水平，使工作条件急剧恶化，进而使设备出现故障甚至完全失效；②设备安装与使用过程中的异常磨损导致的故障。机械零件在安装过程中由于安装不良或(和)清洗不干净会导致设备在运转过程中的异常磨损，或者在使用过程中由于偶然的外来因素(磨料进入、载荷条件变化、a划伤：由于犁沟作用，在滑动方向上产生宽而深的划痕。b点蚀：在接触应力反复作用下使金属咬死等)和内部因素(润滑不良、摩擦发热等)影响而出现异常磨损。异常磨损弓!发的故障具有偶然性和突发性，对此类故障的诊断具有重要意义。磨损故障的分类分类的目的是为了将人们常用而又实际存在的各式各样的磨损故障按一定的标准归纳为几个基本类型。合理的分类能够使诊断工作简化，有利于故障诊断的状态识别过程的进行，提高故障诊断的有效性。由于铁谱技术在诊断磨损类故障方面具有独特的优越性，因而本文的分类主要是针对铁谱诊断方法的。根据不同的应用目的，磨损故障从以下几个方面进行分类比较合适。 按磨损机理划分不同的磨损机理产生的磨粒各异，因而可通过磨粒分析来识别引起磨损故障的磨损机理，以便为设备的设计、制造服务。与润滑油分析有关的磨损机理可分为以下几类：a粘着磨损：接触表面作相对运动时，由于固相焊涪作用使材料从一个表面转移到另一个表面而造成的一种磨损。 b 磨料磨损：由于硬颗粒或硬突起物使材料产生迁移而造成的一种磨损。 c疲劳磨损：由于循环交变应力引起疲劳而使材料脱落的一种磨损。微动磨损应归入此类。d腐蚀磨损：由于与周围介质发生化学反应而产生的一种磨损。其中包括氧化磨损、氢致磨拐、介质腐蚀磨损。 按磨损形式划分磨粒的产生与磨损表面有着密切的联系，因而可从磨损表面的破坏形式来分类。按磨损形式来分，磨损故障可分为：疲劳破坏而形成的表面凹坑。c剥落：金属表面由于变形强化而变脆，在载荷作用下产生微裂纹随后剥落。 d胶合：由粘着效应形成的表面结点具有较高的连接强度，使剪切破坏发生在表面层内一定深度，因而导致严重磨损。 e腐蚀：由于润滑油中含水和润滑油膜破裂而使金属与周围介质发生化学反应而产生的表面损伤。上述的划伤、点蚀、剥落和胶合有宏观与微观之分，对于铁谱诊断而言，主要是针对微观形式的。 按磨损类型划分对于磨损故障的描述，铁谱分析者针对铁谱分析的特点采用一套适用的分类方法，归纳起来可以说是按磨损类型来分： a正常磨损和磨合期磨损：滑动表面经常发生的正常磨损。b切削磨损：由于滑动表面的相互穿入引起的非正常磨料磨损。c滚动疲劳磨损：滚动接触表面的疲劳磨损。了滚滑复合磨损：与齿轮系相关的疲劳磨损和粘着磨损。e严重滑动磨损：滑动表面的过载和高速造成的磨损。 按磨损原因划分按磨损原因来分，磨损故障可分为由磨料进入、润滑不良、油中含水、安装不良或有裂纹、过载、高速、过热和疲劳等引起的故障。这可为设备设计、保养和维修提供有用信息。按磨损程度划分按磨损程度来分，磨损故障可分为正常磨损和严重磨损。正常磨损与严重磨损间并无明确的定量界限。根据设备的重要性和诊断的灵敏性，磨损程度可分为3级：正常、b从谱片上的磨损颗粒中提取设备磨损状态的有用信息(征兆)：磨粒识别与统计，注意、极高(报警)；也可分成4级：正常、较正常、异常、严重异常磨损。 ‘按磨损材料划分按磨损材料来分，磨损故障可分为黑色金属磨损故障、有色金属磨损故障和非金属磨损故障。按诊断对象划分有的磨损故障在实际应用中采用俗称，比如在柴油机中有“拉缸”、“拉瓦”、“烧瓦”和“抱轴”等叫法。因而磨损故障也可按诊断的特定设备来分类，并制定出相应的诊断标准。在故障诊断时，根据不同的诊断目的和任务要求，尽量采用某一分类方法并逐层推进，不要出现交叉使用的现象。2铁谱诊断过程铁谱诊断技术是一种以磨损颗粒分析为基础的诊断技术。采用该技术监测机械零部件的磨损状态，无需将正在运转的机械设备打开或关闭，就可确定其磨损状态。.由机械零部件产生的磨损颗粒作为分离相存在于润滑油中，通过铁谱仪磁场的作用将它们从润滑油中分离出来，特定的工况条件和冤同的金属零件产生的磨粒具有不同的特性。通过观察磨粒的颜色、形态、数量、尺寸及尺寸分布，可以推断机械设备的磨损程度、磨损原因和磨损部位。根据机械设备诊断学的观点[4]，故障诊断过程有3个主要步骤：信号测取(检测设备状态的特征信号)，征兆提取(从所检测的特征信号中提取征兆)和状态识别(根据这些征兆和其它诊断信息来识别设备状态)。 具体来讲，铁谱诊断过程可分为以下几个步骤：a取油样，制谱片，得到设备磨损状态的特征信纂一磨损颗粒；磨损参数测量；c根据上述征兆，识别设备的磨损状态(状态诊断)，包括识别设备的磨损状态将有无异常(故障早期诊断)与是否已有异常(故障诊断)；d根据设备的征兆与状态，进一步分析设备的磨损状态及其发展趋势(状态分析)，包括当设备有故障时，分析故障位置、类型、性质、原因与趋势等；e根据设备的状态与趋势，作出决策，干预设备及其运行过程。3磨损故障铁谱诊断方法与智能化铁谱诊断模型铁谱诊断方法自铁谱技术问世以来，其发展重点主要是在诊断过程的前两步，对磨损故障识别理论与方法的研究较少，这可从众多有关铁谱技术用于磨损工况监测与故障诊断的资料中看出。目前铁谱技术用于故障诊断所采用的方法归纳起来有3种：定性铁谱诊断法、定量铁谱诊断法(严格地说是准定量铁谱诊断法)、定性与定量相结合的铁谱诊断法。定性铁谱诊断能够在铁谱片上获取大量有关磨损状态的信息，但在很大程度上受操作者的经验和其它主观因素的影响，状态识别过程由领域专家或分析者来完成。诊断是依据谱片上磨粒的形态、数量、颜色、尺寸及尺寸分布等信息来推断机器的磨损状态。目前普遍得到应用的铁谱分析报告单就是定性铁谱诊断的总结。将模糊数学方法应用到定性铁谱诊断，可让计算机模拟专家的识别方法进行磨损状态诊断，这种方法具有一定的智能性，但这并不是铁谱诊断技术发展的关键所在。目前的定量铁谱诊断是根据铁谱片上磨粒的浓度和磨粒的尺寸分布来对设备的磨损状态作出诊断。诊断主要采用函数分析法、趋势分析法和灰色理论等方法，有些方法已能在一定程度上反映出智能性。定量铁谱诊断具有较大的客观性，但所提供的数据只反映出少量的磨损状态信息，而且不能应用在脂样分析中。定量与定性相结合铁谱诊断是目前实际应用的最多的一种方法，一般是先用定量参数进行故障可能性和趋势判断，再辅之以铁谱片上磨粒特征分析来确诊。为了提高铁谱诊断技术的准确性和智能性，必须进一步发展定量铁谱诊断方法。该方法应能综合定量分析磨粒的形态、尺寸、数量、颜色和尺寸分布等特征并应角人工智能和神经网络的方法加以诊断。随着计算机图像分析技术以波人工智能特别是神经网络技术不断发展，为实现综合定量铁谱诊断及其智能化创造了有力的条件。将智能化技术应用到铁谱诊断，其诊断过程的第三步不仅变得同前二步一样重要，而且将会成为智能诊断技术的关键，因而对磨损故障识别理论与方法的研究很有必要。由于磨损现象的复杂性和磨粒分析的困难性，铁谱诊断智能化的发展一直较缓慢。1989年美国的Carborundum公司开发出一套被称之为FAST的铁谱分析专家系统[5]，并在最近将其发展成FASTPLUS系统。据报道，利用这一专家系统可以对铁谱片进行分析并以人机对话的方式进行决策。但从原理上看，该系统主要是将谱片上的特征磨粒与存储在系统的光盘中的磨粒图谱的照片进行比较而得出结论，因而具有较大的局限性。在国内，文献[6]困将计算机图像分析技术和人工智能理论与方法引人到铁谱分析技术中，建立了基于黑板的铁谱图像解释系统的模型，并进行了部分研究，取得一些很有意义的研究成果。由于追求铁谱诊断的完全智能化使得该技术离实用还有较远的距离。磨损故障铁谱诊断水平根据铁谱诊断的目的和实际应用的需要，将磨损故障铁谱诊断水平划分成3个级别：第一级诊断水平三对设备状态进行监测、确定磨损状态是否正常；第二级诊断水平：在第一级诊断的基础上，判别引起磨损状态异常的磨损原因、类型、形式乃至趋势分析，以便采取维修措施或改进设计。不同原因导致的故障具有不同的表现形式，从而反映出不同的故障状态。通过磨粒的形态、尺寸、数量、分布等特征可对磨损原因进行识别；第三级诊断水平：用以判断发生故障的部位或部件，同时也为第二级诊断提供补充信息。不同的材料产生的磨粒经谱片加热或湿化学处理在铁谱显微镜下可以区分出来，从而将故障隔离到不同零件上。由于设备结构的复杂性、同台设备使用摩擦副材料相同性以及鉴别材料手段的局限性，使得故障隔离与定位并不能总是有效。但为了提高磨损故障诊断的有效性和全面性，此级诊断无疑是必要的。在人工诊断时，上述3级诊断常常是同步完成的，但随着现场监测对智能化诊断的需要，在人工智能或神经网络技术引入到铁谱诊断后，就需要对磨损故障诊断水平进行分级。智能化铁谱诊断模型本文从实际应用的需要出发，提出一种智能化铁谱诊断系统模型，如图1所示。其中的些主要工作已经完成。该系统包括3大模块：磨粒分析模块、磨粒识别与统计模块和机械磨损故障铁谱诊断模块：在磨粒分析模块中可以采用计算机图像分析和模拟人工分析两种方式。铁谱图像分析子系统 [7]能够提取定量的磨粒特征参数。这包括形态数字特征和光密度特征，提取的信息中的一部分输入磨粒识别与统计模块，并采用神经网络技术识别磨粒[8]，经统计后，将结果送入磨粒信息库；一部分直接送入磨粒信息库。模拟人工分析子系统，采用人一机协作的方法，人工提取定性的磨粒特征参数，应用神经网络专家系统进行磨粒识别[9]，识别结果经统计后送入磨粒信息库；定量钳普参数采用光密度计测量，测量结果直接送入磨粒信息库。根据不同的需要，磨粒信息库中的数据可按不同的方式组织，形成不同的数据文件，以备故障诊断与监测取用。机械磨损故障铁谱诊断模块根据用户需要可实现磨损状态诊断、磨损故障类型诊断和磨损原因诊断，三者的实现均采用神经网络模型[l0转自深圳培训吧]。在铁谱诊断时，除了利用磨粒信息库的数据文件作为输入向量外，还应充分利用被监测设备知识库的知识。该系统还可以直接从磨粒信息库中提取数据，采用神经网络技术进行磨损趋势预测