论文部分内容阅读
摘要：
在轧钢机械的实际工作过程中，机械振动故障是十分常见的故障类型，这些故障或多或少的影响着企业的生产效益。在这些故障中，有很大—部分是由于振动而产生的，要对这类故障进行诊断，必须把握以下三个要点：其一，要确定用什么标准来进行判断：其二，要全面、精确的收集表征故障的数据；其三，在相关数据的基础上对故障进行科学合理的分析和处理。
轧钢机械是在高负荷、复杂受力的条件下工作的，和其他故障比较起来，振动故障发生的几率高，危害大。机械振动既会缩短轧钢机械的使用年限，又严重影响着机械的工作效率。目前，相关企业和技术人员对轧钢机械振动故障的研究还是比较广泛和深入的，这些研究形成了一种共识，那就是对于故障的诊断都是按照一定的标准来进行的。
1.判断轧钢机械振动故障的标准
一般来说，评判振动故障可以分采用以下三种标准：其一是相对故障判断标准，其二是故障类比评判标准，其三是故障定量评判标准。导致振动故障发生的诱因是千变万化的，如果仅仅根据物理表象来对故障进行判断，很难做到判断的准确性。实际经验告诉我们，工作环境、轴承类型、检测装置的位置等的诸多不同都会在一定程度上对机械产生影响从而导致振动故障的产生，这就给诊断标准的构建带来很大难度，这就要求我们以传统标准为依托，紧密结合最新的研究成果和实际情况，让故障诊断标准更趋科学和完善。
2.表征轧钢机械振动故障的数据
轧钢机械在其工作过程中，振动现象一般会产生在轴承运转及齿轮啮合处。各连接处产生的信号会以多种方式传播，在其传播的过程中轧钢机械转速、负荷以及工作状态等的突变都会直接影响到振动传递的结果。因而，对信号噪音进行排除在分析振动情况和采集故障数据时必须要考虑到振动故障分析的工作中，但是这项工作十分复杂，即便是十分熟悉系统的专业技师，如果没有大量的经验积累也是很难完成任务的。其次，要是达到故障判断的准确性还必须精心采集、科学分析故障的常规频谱。另外，还必须对产生振动故障的有关数据进行合理而准确的分析和计算，从而找出存在于不同振动故障之间的联系和差别。
可以从以下两个角度出发，对不同振动故障的数据进行科学分析。一是从时域角度出发对数据进行分析，在分析过程中把峰值、歪度及平均值等数据作为重点。二是从频域角度出发，主要对以下两部分频域特征数据进行分析：其一是故障齿轮的轴频和咬合频率数据变化，其二是均方频率、中心频率和方根频率等具有重要统计特征的频率。这些数据处理具有一定难度，必须借助数学的一些相关算法方可顺利完成。其中FFT算法使用越来越广泛，它是离散傅立叶变换的快速算法，可以将一个信号变换到频域，它采用公式Fn=（n-1）*Fs/N来对某点频率进行计算。离开了这些特征数据，对轧钢机械振动故障的判断就无从下手，同时错误的或者不准确的数据也会导致判断缺乏准确性和指导性，因此必须采取各种各样的方法对数据采集过程中出现的噪声干扰进行有效排除，尽可能多的取得能准确表征振动的数据，惟其如此，对不同状态下故障的对比研究才能进行下去，导致振动产生的根本原因才能被发现。
3.分析处理故障特征数据
对轧钢机械振动故障的在线监测可以通过传感器来实现。比较常见的传感器有位移传感器、速度传感器和加速度传感器等，它们在不同的振动频率波段使用，使用时将相应的传感器安装在待测试部分。比如要对轧钢机械的轴承部分的振动特征数据进行采集，就必须首先将加速传感器安装在滚动轴承位置。必须指出的是，在实际操作过程中采用上述方法采集数据的效果往往不够理想，究其原因主要是加速传感器产生的频率范围太广，很难全面记录和辨别轧钢机械产生的振动，特别是机械在低速转动持续时间较长的情况下，传感器就更难对其产生的低频振动进行捕捉。为了更好的捕捉轧钢机械的低频振动，可以用位移传感器取代加速传感器，位移传感器对低频振动比较敏感，测量结果也将更趋准确和完善。科学分析轧钢机械的振动特点，具有非常重要的作用，主要表现在以下三个方面：首先，能够动态掌握轴承的运转、磨损情况。众所周知，磨损会改变径向间隙，从而导致传感器缝隙间的电压发生改变，它是一种最为常见的失效方式。加速度传感器很难对这种磨损导致的变化进行分辨。动态的对检测探头和转轴间空隙内电压的变化情况进行监测，可以获取在磨损作用下轴承圆度的变化情况，有利于故障判断的准确性和有效性。对于一部分表面带毛刺的轴具，系统会自动采用适当的过滤技术对干扰进行有效排除。在特殊情况下个别冲击会导致转轴晃动而导致所测数据的波动，所以一般将间隙电压的平均值作判断的依据。
第二，动态观测轴承转速。特征频率本质上就是故障频率，由于用来分析的故障信号是随机的，不可能和理论频率完全吻合。这种情况下我们需要对特征频率进行限制，一般把选定时间段内的最大振幅作为限制的标准。如果在对转速进行测量的过程中有较大误差出现，那么就很难准确的将故障的特征频率测出来，再加上在此期间转速突然发生变化的话，那情况将变得更坏。安装涡流传感器，可以实现同时进行不同通道的数据采集，并能保证频率计算的准确性。另一方面，因为有了人工的参与，在利用涡流传感器进行测试的过程中，轴承振动的周期性可以得到很好的保证，所以以此为基础的转速计算和特征频率观测就更趋正确。
第三，研究振动特征频率如果对输出径与输入径振动情况的测量能够同时进行，就能够根据具体的振动相位和强弱进行处理。一般地，齿轮的振动频率低于轴承的振动频率，且振动特点各异。轴承振动的稳定性不如齿轮，而齿轮的振动形式又不如轴承丰富。这就要求我们把加速传感器和位移传感器很好的结合起来使用，这样才能不断拓宽频率收集的范围，使得振动故障的发现更加及时、数据分析更加准确、解决问题更加快捷。
4.结束语
总之，对机械振动故障的判断是比较复杂的一项工作，仅靠传统手段很难达到科学、准确的目的，其判断结果也会缺乏指导性。必须采用现代手段与传统手段相结合的方式，第一时间把导致振动故障产生的根本原因找出来。查找轧钢机械振动故障原因首先要采集机械振动的机械数据，并在此基础上进行认真的研究和分析，從而归纳出一整套行之有效的故障诊断体系，并运用到工作在不同状态下的轧钢机械振动故障分析中。
在轧钢机械的实际工作过程中，机械振动故障是十分常见的故障类型，这些故障或多或少的影响着企业的生产效益。在这些故障中，有很大—部分是由于振动而产生的，要对这类故障进行诊断，必须把握以下三个要点：其一，要确定用什么标准来进行判断：其二，要全面、精确的收集表征故障的数据；其三，在相关数据的基础上对故障进行科学合理的分析和处理。
轧钢机械是在高负荷、复杂受力的条件下工作的，和其他故障比较起来，振动故障发生的几率高，危害大。机械振动既会缩短轧钢机械的使用年限，又严重影响着机械的工作效率。目前，相关企业和技术人员对轧钢机械振动故障的研究还是比较广泛和深入的，这些研究形成了一种共识，那就是对于故障的诊断都是按照一定的标准来进行的。
1.判断轧钢机械振动故障的标准
一般来说，评判振动故障可以分采用以下三种标准：其一是相对故障判断标准，其二是故障类比评判标准，其三是故障定量评判标准。导致振动故障发生的诱因是千变万化的，如果仅仅根据物理表象来对故障进行判断，很难做到判断的准确性。实际经验告诉我们，工作环境、轴承类型、检测装置的位置等的诸多不同都会在一定程度上对机械产生影响从而导致振动故障的产生，这就给诊断标准的构建带来很大难度，这就要求我们以传统标准为依托，紧密结合最新的研究成果和实际情况，让故障诊断标准更趋科学和完善。
2.表征轧钢机械振动故障的数据
轧钢机械在其工作过程中，振动现象一般会产生在轴承运转及齿轮啮合处。各连接处产生的信号会以多种方式传播，在其传播的过程中轧钢机械转速、负荷以及工作状态等的突变都会直接影响到振动传递的结果。因而，对信号噪音进行排除在分析振动情况和采集故障数据时必须要考虑到振动故障分析的工作中，但是这项工作十分复杂，即便是十分熟悉系统的专业技师，如果没有大量的经验积累也是很难完成任务的。其次，要是达到故障判断的准确性还必须精心采集、科学分析故障的常规频谱。另外，还必须对产生振动故障的有关数据进行合理而准确的分析和计算，从而找出存在于不同振动故障之间的联系和差别。
可以从以下两个角度出发，对不同振动故障的数据进行科学分析。一是从时域角度出发对数据进行分析，在分析过程中把峰值、歪度及平均值等数据作为重点。二是从频域角度出发，主要对以下两部分频域特征数据进行分析：其一是故障齿轮的轴频和咬合频率数据变化，其二是均方频率、中心频率和方根频率等具有重要统计特征的频率。这些数据处理具有一定难度，必须借助数学的一些相关算法方可顺利完成。其中FFT算法使用越来越广泛，它是离散傅立叶变换的快速算法，可以将一个信号变换到频域，它采用公式Fn=（n-1）*Fs/N来对某点频率进行计算。离开了这些特征数据，对轧钢机械振动故障的判断就无从下手，同时错误的或者不准确的数据也会导致判断缺乏准确性和指导性，因此必须采取各种各样的方法对数据采集过程中出现的噪声干扰进行有效排除，尽可能多的取得能准确表征振动的数据，惟其如此，对不同状态下故障的对比研究才能进行下去，导致振动产生的根本原因才能被发现。
3.分析处理故障特征数据
对轧钢机械振动故障的在线监测可以通过传感器来实现。比较常见的传感器有位移传感器、速度传感器和加速度传感器等，它们在不同的振动频率波段使用，使用时将相应的传感器安装在待测试部分。比如要对轧钢机械的轴承部分的振动特征数据进行采集，就必须首先将加速传感器安装在滚动轴承位置。必须指出的是，在实际操作过程中采用上述方法采集数据的效果往往不够理想，究其原因主要是加速传感器产生的频率范围太广，很难全面记录和辨别轧钢机械产生的振动，特别是机械在低速转动持续时间较长的情况下，传感器就更难对其产生的低频振动进行捕捉。为了更好的捕捉轧钢机械的低频振动，可以用位移传感器取代加速传感器，位移传感器对低频振动比较敏感，测量结果也将更趋准确和完善。科学分析轧钢机械的振动特点，具有非常重要的作用，主要表现在以下三个方面：首先，能够动态掌握轴承的运转、磨损情况。众所周知，磨损会改变径向间隙，从而导致传感器缝隙间的电压发生改变，它是一种最为常见的失效方式。加速度传感器很难对这种磨损导致的变化进行分辨。动态的对检测探头和转轴间空隙内电压的变化情况进行监测，可以获取在磨损作用下轴承圆度的变化情况，有利于故障判断的准确性和有效性。对于一部分表面带毛刺的轴具，系统会自动采用适当的过滤技术对干扰进行有效排除。在特殊情况下个别冲击会导致转轴晃动而导致所测数据的波动，所以一般将间隙电压的平均值作判断的依据。
第二，动态观测轴承转速。特征频率本质上就是故障频率，由于用来分析的故障信号是随机的，不可能和理论频率完全吻合。这种情况下我们需要对特征频率进行限制，一般把选定时间段内的最大振幅作为限制的标准。如果在对转速进行测量的过程中有较大误差出现，那么就很难准确的将故障的特征频率测出来，再加上在此期间转速突然发生变化的话，那情况将变得更坏。安装涡流传感器，可以实现同时进行不同通道的数据采集，并能保证频率计算的准确性。另一方面，因为有了人工的参与，在利用涡流传感器进行测试的过程中，轴承振动的周期性可以得到很好的保证，所以以此为基础的转速计算和特征频率观测就更趋正确。
第三，研究振动特征频率如果对输出径与输入径振动情况的测量能够同时进行，就能够根据具体的振动相位和强弱进行处理。一般地，齿轮的振动频率低于轴承的振动频率，且振动特点各异。轴承振动的稳定性不如齿轮，而齿轮的振动形式又不如轴承丰富。这就要求我们把加速传感器和位移传感器很好的结合起来使用，这样才能不断拓宽频率收集的范围，使得振动故障的发现更加及时、数据分析更加准确、解决问题更加快捷。
4.结束语
总之，对机械振动故障的判断是比较复杂的一项工作，仅靠传统手段很难达到科学、准确的目的，其判断结果也会缺乏指导性。必须采用现代手段与传统手段相结合的方式，第一时间把导致振动故障产生的根本原因找出来。查找轧钢机械振动故障原因首先要采集机械振动的机械数据，并在此基础上进行认真的研究和分析，從而归纳出一整套行之有效的故障诊断体系，并运用到工作在不同状态下的轧钢机械振动故障分析中。