论文部分内容阅读
滚动轴承是冶金企业轧机的重要基础部件之一,其工作状态良好与否直接关系到设备的安全、高效的运行,决定着企业的提质增效。通常,轧机工作在高温、高压、高湿、多粉尘的环境中,并且为响应瞬息万变的市场需求,多家钢企开启了多品种、多规格、小批量、多批次的生产模式,使得轧制设备的运行工况极其复杂,造成诸如滚动轴承等轧机传动系统易损件极易出现故障,给轧机的运维与健康管理带来了巨大的挑战。本文以总体局部均值分解(Ensemble Local Mode Decomposition,ELMD)、快速谱峭度(Fast spectral kurtosis,FSK)等时频分析方法为理论基础,以滚动轴承为研究对象,基于理论算法与实验验证相结合的技术路线,针对轧机的运行工况、服役环境恶劣,致使所获取的振动信号强背景噪声、非平稳且存在频率和幅值的调制,致使特征频率被掩盖,大大增加了故障辨识难度的问题,重点研究了凸显滚动轴承振动信号运行状态的特征指标的提取方法。具体的研究内容包括:提出增强ELMD的滚动轴承特征提取方法、基于LabVIEW软件开发了滚动轴承振动数据采集模块、实验室的台架验证试验以及和现场数据的分析与校核试验。(1)RELMD的滚动轴承振动信号的特征提取方法。针对ELMD算法所得若干个PF分量依靠人为经验直接筛选表征故障特征的分量时存在经验性、盲目性以及实际操作快速谱峭度图算法时发现以峭度最大频带的中心频率与带宽作为凸显故障分量的筛选准则,容易造成故障成分的遗漏,导致故障诊断结果不准确的问题。对此,依据“先增强各分量冲击成份,然后对其再求频谱”的思路,提出了一种增强的总体局域均值分解的特征提取方法(ReinforceEnsemble Local Mode Decomposition,RELMD),以期来增加故障诊断的准确性。(2)滚动轴承振动数据采集模块的开发。针对台架试验、工程应用以及算法有效性验证的需求,基于LabVIEW18.0软件开发了滚动轴承振动数据采集模块。首先,立足于上述需求进行了采集模块的架构、功能的设计;其次,基于友好交互的原则进行前面板的界面布局;最后,设计了与之相匹配的程序框图。(3)台架实验与现场应用。在制定了详尽的试验流程的基础上,借助于学院机械故障诊断实验室的美国Spectra Quest公司的机械故障综合模拟实验台、滚动轴承振动数据采集模块以及滚动轴承的故障件,搭建了测试系统,完成了振动信号的采集;将测取滚动轴承振动数据与现场获取滚动轴承振动数据经由ELMD算法与RELMD算法的比较、分析,结果表明了算法的有效性及采集模块的可靠性。