首页/文章/ 详情

故障诊断助手(含轴承、齿轮、电机、皮带故障诊断)

5月前浏览8384

现场诊断时,轴承、齿轮、电机和皮带是经常诊断的对象。好的工具可以大大提高效率,为此成都卓微科技有限公司开发了集成的诊断工具箱“小卓诊断助手

成都卓微科技有限公司(卓微科技)致力于设备健康管理系统的关键器件和核心软件研发。卓微科技的核心团队在传感器领域、设备状态监测软件开发和应用方面具有丰富经验。

欢迎反馈使用过程中的问题、改进建议。

目录

1 轴承诊断助手
2 齿轮诊断助手
3 电机诊断助手
4 皮带诊断助手

1 轴承诊断助手

“小卓轴承诊断助手“可查询数万个轴承型号故障频率,

  • 选择轴承型号和品牌,
  • 选择旋转方式:内圈旋转或外圈旋转,
  • 输入转速,
  • 即可得出轴承内圈、外圈、滚动体和保持架的故障频率。
下面以NSK6228轴承为例进行查询

 

对于非标轴承、软件里未录入的型号:
  • 切换至轴承计算页面,选择旋转方式,
  • 输入轴承的节圆直径、滚动体直径、接触角、滚子数和转速,
  • 可计算出轴承内圈、外圈、滚动体和保持架的故障频率。
  • 对于不多见的内圈、外圈都旋转的工况,也可在这里计算。

  

2 齿轮诊断助手

“小卓齿轮诊断助手“可查询齿轮和轴承故障频率,
  • 输入齿数、行星轮数量,
  • 选择行星轮轴承型号和品牌,
  • “小卓齿轮诊断助手”就可以计算出行星轮系太阳轮转频、行星轮自转频率、齿轮啮合频率、行星架转频和齿圈转频
  • 行星轮轴承的内圈、外圈、滚动体和保持架的故障频率。


      欢迎上传行星轮齿轮箱型号,有红包,比上传轴承型号更大的红包......红包大小与轴承和齿轮箱的体积成正比



差动轮系的计算:


“-”号表示旋转方向相反;对于多级行星传动,自行级联即可。

3 电机诊断助手

电动机的种类很多,包括交流同步电动机交流异步电动机直流电动机等,其中由于交流异步电动机结构简单、维护容易、运行可靠、价格便宜,并且具有较好的稳态和动态特征,因此,它是工业中使用最广泛的一种电动机。
     交流异步电机(也包括其它种类的电机)的监(检)测方法,主流的方法包括振动、温度、噪声,电参数等。振动是其中重要的一种方法,其原理是通过测量电磁相互作用产生的电磁力变化来测量相关的故障。

在用振动法进行交流异步电动机相关故障时,第一步要计算相关的特征频率

4 皮带诊断助手

皮带传动是机械设备中常见的一种传动方式,在工业现场大量应用。皮带传动按传动原理主要分为

  • 摩擦带传动:靠传动带与带轮间的摩擦力实现传动;典型的如V带传动。
  • 啮合带传动:靠带内侧齿与带轮外缘上的齿槽相啮合实现传动;如同步带(齿形皮带)传动。

皮带传动中的各种故障,如磨损、松动、皮带不匹配、多根皮带张力不均、皮带或皮带轮不对中、皮带轮偏心、皮带共振等,会带来传动过程中动力学特征的改变,从而导致振动信号的变化,特别是会引起相关特征频率的信号变化。因此,通过监测与分析皮带传动过程中的振动信号能有效监测皮带传动系统中的各种机械故障。而皮带传动振动信号分析的第一步就是对皮带的各种相关的特征频率计算

链传动兼具有皮带传动和齿轮传动的特征,同样可以通过振动信号监测与分析方法进行机械故障的监测与诊断。

“小卓皮带诊断助手”微 信小程序,包含了普通皮带(平皮带、V型带和圆皮带)、正时皮(也叫齿形带,同步带)、链轮的故障频率计算。

来源:故障诊断与python学习
振动电磁力航空python电机传动数字孪生数控
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2024-05-11
最近编辑:5月前
故障诊断与python学习
硕士 签名征集中
获赞 57粉丝 62文章 132课程 0
点赞
收藏
作者推荐

“数字孪生/故障诊断”专题 | 经典文章分享:数字孪生驱动的复杂设备PHM

数字孪生是当前故障诊断领域的研究热点,该论文是北京航空航天大学陶飞教授于2018年发表的文章,非常经典,该论文系统的阐述数字孪生五维模型的原理框架及数字孪生驱动的PHM的方法,并以风力发电机为例,对比数字孪生和传统方法的差异。截至目前该论文在谷歌学术上显示被引用733次,想必是入门必备的经典文章之一,非常值得阅读!论文基本信息论文题目:Digital twin driven prognostics and health management for complex equipment论文期刊:CIRP Annals - Manufacturing TechnologyDoi:https://doi.org/10.1016/j.cirp.2018.04.055作者:Fei Tao , Meng Zhang , Yushan Liu , A.Y.C. Nee机构:a School of Automation Science and Electrical Engineering, Beihang University, Beijing 100191, PR China b Department of Mechanical Engineering, National University of Singapore, Singapore 117576, Singapore第一作者简介:陶飞,男,教授、博导,国家级领军人才(2019),现任北航国际交叉科学研究院常务副院长、北航党委人才工作办公室副主任,曾任北航自动化科学与电气工程学院副院长、北航高新技术办公室主任、北航科学技术研究院副院长兼基础研究处处长。2007年到2009年在美国密歇根大学(Dearborn)从事先进制造技术和信息化方向研究学者和博士后研究工作,2009年3月回国后直评为副教授,2011年遴选为博导, 2013年破格评为教授,并一直在北航自动化学院从事教研工作。主要从事智能制造与装备、数字孪生、数字工程、制造工业软件、绿色可持续制造等教研工作。第一作者出版专著5部,在Nature等期刊上发表30余篇ESI高被引论文;被引用3万余次;连续入选2019,2020,2021,2022年科睿唯安全球高被引学者、Elsevier中国高被引学者。国家重点研发计划、国家自然科学基金重点国际合作等项目负责人。获国家科技进步二等奖(排名1)、中国机械工业技术发明一等奖、中国青年科技奖、北京市教学成果二等奖等。现任国家智能制造专家委员会委员、中国机械工程学会理事、RCIM副主编、CIRP通信会员。入选美国SME智能制造Top 20最具影响力学者(2021),创办《Digital Twin》国际期刊,发起数字孪生国际论坛和国际会议。(来源:百度百科) 摘要故障诊断和健康管理 (Prognostics and Health Management,PHM)技术 在产品的生命周期监控中至关重要,尤其是对于在恶劣环境中工作的复杂设备。为了提高PHM的准确性和效率,针对复杂设备提出了数字孪生(Digital twin, DT)这一实现物理-虚拟融合的新兴技术。首先构建了复杂设备的通用数字孪生体,然后提出了一种基于数字孪生驱动的PHM的新方法,有效利用了数字孪生的交互机理和融合数据。以风力发电机组为例,验证了所提方法的有效性。关键词:维护,状态检测,数字孪生目录1 引言2 五维模型2.1 物理实体模型 (PE)2.2 虚拟设备模型 (VE)2.3 服务模型(SS)2.4 DT数据模型 (DD)2.5 连接模型 (CN)3 DT驱动的PHM方法4 案例研究4.1 问题描述4.2 对提出的DT驱动PHM方法验证4.3.性能比较与分析5 总结和展望注:小编能力有限,如有翻译不恰之处,请多多指正~ 若想进一步拜读,请下载原论文进行细读。1 引言飞机、轮船、风力涡轮机等复杂设备设计用于在恶劣环境中工作数十年。因此,在其运行过程中性能下降是不可避免的,这可能导致故障,从而导致高昂的维护成本。故障诊断和健康管理(PHM)的引入,能够实现复杂设备的可靠运行。它用于监测设备状态,进行故障诊断,并提供维护设计规则[1]。 然而,目前关于PHM的大多数工作主要是由其物理空间中的设备驱动的,与其虚拟模型几乎没有联系。当前,随着信息物理系统(Cyber Physical Systems,CPS)的发展,重视实现物理空间与虚拟空间的无缝融合、提高复杂设备的PHM显得至关重要。在这种情况下,在虚拟空间中,引入了设备及其数据的数字镜像来描述真实实体的行为。参考文献[2]中已经探索了一些潜在的应用,但是,实现由物理和虚拟空间驱动的PHM,仍然存在一些突出的常见问题。它们包括:构建高保真数字镜像从而透彻地描述设备;建立设备与其数字镜像之间的交互,使其无缝支持PHM;融合物理空间和虚拟空间的数据,为PHM生成准确的信息。 本文采用数字孪生(DT)作为物理-虚拟融合的参考模型,针对上述3个问题进行了研究。首先,基于DT,在几何、物理、行为和规则等不同层次上构建设备的高保真数字镜像模型;它甚至可以在物理距离之外访问设备。其次,DT的交互机制可以检测来自环境的干扰、设备的潜在故障和模型中的缺陷;这是一种耦合优化,使设备和数字模型不断演进。第三,由于DT包括来自设备的数据、数字模型和融合数据,因此可以大大丰富PHM的数据以提供准确的信息。 本文首先建立了复杂设备的五维DT,然后提出了一种基于DT驱动的复杂设备PHM新方法,并详细探讨了其框架和工作流程。本文介绍了一个风力涡轮机(Wind Turbines,WT)的案例研究,以展示所提新方法。2 五维模型DT模型的通用架构及标准首先由Grieves[3]构建。在这种架构中,DT在三维空间中建模,即物理实体、虚拟模型和连接,并以物理-虚拟交互为特征。它已被应用于产品设计和生产[4,5]。基于此,该文提出一种扩展的五维架构DT,增加DT数据和服务。与Grieves的架构相比,除了物理-虚拟交互外,该模型还使用DT数据,即融合了物理和虚拟方面的数据,以实现更全面和准确的信息捕获。它还可以封装来自服务的DT功能(例如检测、判断和预测),以实现统一管理和按需使用[6]。根据提出的五维架构,图1显示了复杂设备的DT,可以用以下表达式表示: (1)图1 复杂设备的五维DT模型 其中 (Physical Entity)是指物理实体, (Virtual Entity)是虚拟设备, (Service)代表PE和VE的服务, (DT Data)是指DT数据, (Connection)是 、 、 和之间的连接。为了说明复杂设备的所提及DT,在案例研究中考虑了风力涡轮机(WT)。2.1 物理实体模型 (PE) 通常, 由各种功能子系统和传感器设备组成。子系统在运行期间执行预定义的任务,传感器收集子系统的状态和工作条件。任何部件的故障都可能导致 失效。在图2中,WT的功能子系统由叶片、发电机、齿轮箱、偏航系统等组成,用于将风能转化为机械能和电能。部署传感器以收集发电机温度、齿轮箱振动、功率输出等。图 2 物理 WT 模型2.2 虚拟设备模型 (VE) 是 的高保真数字模型,它集成了 的多个变量、规模和能力,以在虚拟世界中重现其几何形状、物理特性、行为和规则。 的建模如下 (2)其中 、 、 和 分别代表几何模型、物理模型、行为模型和规则模型。VE的建模解释如下,结合图3中虚拟WT模型的构造。 被构造为 3D 实体模型,WT部件(例如齿轮箱、叶片和轴)使用商业CAD建模软件进行组装。 模拟PE的物理特性。对于WT,可以使用有限元法(FEM,Finite Element Method)在此级别模拟叶片变形,齿轮齿应力和轴承温度等。 描述了受驱动因素(例如控制命令)或干扰因素(例如人为干扰)支配的 的行为。WT的行为包括发电,偏航、俯仰、展开扭曲等。发电量是风速和输电效率的函数,而偏航则表示为偏航角度、偏航率和偏航误差之间的关系[7]。 包括约束、关联和演绎的规则。这些规则就像“大脑”一样,让VE做出判断、评估、优化和/或预测。对于WT,可以通过力分析来模拟风速的约束,并且可以使用神经网络从云数据中挖掘参数的关联。通过构建的 , 、 、 和 在功能和结构上耦合,形成 的完整镜像。图3 虚拟WT模型2.3 服务模型(Ss) 包括 和 的服务。它优化了 的操作,并通过在运行过程中校准 参数来确保 的高保真度,以维持其与 的性能。 由(3)中的元素组成,描述了服务的功能、输入、输出、质量和状态。可以安排 Ss 以满足 PE 和 VE 的需求。 (3)以物理WT模型的功率输出监控服务为例。它可以表示为Ss_monitor=(功率输出监控,(风速,物理WT的功率输出,虚拟WT的功率输出),功率条件,(时间,成本,可靠性),(工作,空闲,故障))。2.4 DT数据模型(DD) 包括如下所示的五个部分, (4)其中 是来自 的数据, 是来自 的数据, 是来自 的数据, 代表领域知识, 表示 Dp、Dv、Ds 和 Dk 的融合数据。图 4 显示了 WT 的 。图4 风力发动机的 2.5 连接模型 (CN) 包括如下示的六个部分, (5)其中 、 、 、 、 和 分别表示 和 、 和 、 和 、 和 、 和 、 和 之间的连接。每个连接(表示为 )都是双向的,交付的数据在 CNXX 中建模。 (数据源;单位;数值;范围;采样间隔)(6)以 WT 的 为例。来自物理 WT 的数据(例如偏航角)表示为 =(物理 WT, 角度, 10, 0-1080, 10s)。来自虚拟WT的顺序(例如偏航速率)表示为CN_PV_yaw_order=(虚拟WT,rad/s,8.7e-3,0-(1.7e-2),10s)。3 DT驱动的PHM方法用已建立的 DT (数字孪生体)来创建如图 5 所示 DT 驱动的 PHM 方法。在这种方法中,故障分为渐进性故障和突发故障。前者可以预测为由成分逐渐降解引起的。后者是不可预测的,并且由于干扰而突然发生。图5 DT驱动PHM的框架和工作流程图 5 的工作流程分为三个阶段,即观察(步骤1–3)、分析(步骤 4–6)和决策(步骤 7)。第 1 步:DT 建模和校准。根据第 2 节建立复杂设备的 DT。如果 偏离 ,有两种可能的方法可以消除偏差:(1)通过基于最小二乘法[8]的参数调整来校准 ;(2)保持 ,确保 与 之间的实时通信。第2步:模型仿真和交互。设 和 表示从 PE 收集的实时状态和工作条件,其中 是第 个实际状态(例如速度、扭矩、力), 是第 个条件(例如环境、负载、控制顺序),而 和 是元素个数。将 和 加载到 进行初始化和仿真,并将 的输出表示为,其中 是到 的映射,表示第 个模拟状态, 表示其他分析结果(例如应力分析),而 和 是元素个数。 和 保持交互,以确保两者都可以达到最新状态。第 3 步:一致性判断。从 和 中选取 个元素 ( )。然后让 和 分别表示当前时刻 和 的状态(假设为 时刻),其中 和 。如果 ,(其中 是预定义的阈值)则将 和 视为一致,这意味着在不可避免的波动(例如实际环境的变化)引起的差异在可容忍范围内。然后转到步骤 4。否则,它们不一致,请转到步骤5。第 4 步:退化检测。随着PE的运行,性能会下降。它可以反映在 、 和 数据所表示的指标上。如果某些指标超过阈值,则 已经退化,并且随着退化的积累会逐渐出现故障,则进入步骤6。否则,请转到步骤 2。第 5 步:不一致导致判断。以相同条件(即C一样)下 的历史状态的时间序列为参考,以确定不一致是由 还是 引起的。将引用表示为 ,其中 是元素数, 是第 个参数的时间序列记为 ,并且 是元素数。因此,对于中的第 个参数,从当前时刻(比如 )到 的时间序列表示为 和 ,分别表示 和 作为 和 的时间序列。根据基于相关性的动态时间扭曲方法[9]测量 和 以及 和 的相似性。如果只有 相似,则不一致是由 PE 的突然故障引起的,由于 VE 未知的突然干扰,然后转到步骤 6。如果只有 和 相似,则不一致是由模型缺陷引起的,然后转到步骤 1。如果 和 与 不同,请先转到步骤 1 进行模型校准。 第 6 步:故障原因的识别和预测。根据步骤 4 和 5 对两个条件进行分类,如下所示:(1)渐进式故障:从步骤4开始,在完全故障之前,定位故障原因。它包括两个阶段。在训练阶段,从 、 、 的历史数据中提取预警特征。然后训练预测模型以融合特征,并通过神经网络等方法将它们与故障原因相关联。在预测阶段,将 、 、 的实时数据中的特征输入到训练好的模型中,并预测故障原因。(2)突发故障:从步骤5开始,首先定位与突发故障相关的组件。然后,通过比较 和 的参数,逐一检查组件,最终确定干扰源为故障原因。第 7 步:维护策略。根据故障原因,在一组备用备选方案中选择维护策略。首先在 上执行选定的策略进行验证,然后在 上执行这些策略。根据图5所示的框架,方法中所需的功能(例如一致性判断、故障原因预测、校准)由相应的服务实现。来自工作流的数据存储在 (数字孪生五维模型之一数据模型) 中,并在处理(例如数据融合)后发送回去以驱动这些步骤。同时,来自远程设备的数据也会不断更新。4 案例研究4.1 问题描述WT是一种将风能转化为电能的复杂设备。由于WT的设计寿命为数十年,其工作条件具有随机负载、变化扭矩和多尘环境的特点,因此大多数组件在运行过程中可能会失效[10]。但是,一直访问 WT 是不切实际的。第 2 节中为 WT 构建的 DT 能够使用第 3 节中的 DT 驱动的 PHM 方法来解决这个问题。 如图2所示,齿轮箱是WT中最容易发生故障的元件之一[11]。它的失效主要是由于逐渐退化造成的。本节以齿轮箱为例,对所提方法进行演示。4.2 对所提的DT驱动PHM方法验证根据第 3 节中的步骤 1 和 2,使用 WT 构建的 DT,开始仿真和交互。根据步骤 3,物理和虚拟 WT 中齿轮箱的状态表示为 和 。 和 是从安装在输入轴和输出轴上的扭矩传感器(图 2 中的部分)收集的,而 和 则基于风轮、齿轮箱和发电机之间的传动关系在虚拟 WT 上进行模拟。根据式(7)计算 和 的偏差,根据经验将设置为6%。当满足 时,物理和虚拟 WT 的齿轮箱是一致的。 (7)表1 符号列表根据步骤4,振动由安装在变速箱上的加速度计收集。振动时间序列中每 1000 个样本的能量计算为 ,其中 是第 个样本的振幅。如果超过最大值,则变速箱已退化。相关符号列于表1中。根据步骤6,故障原因(即齿轮磨损、疲劳或断裂)的预测过程如图6所示。从物理WT中的齿轮箱可以看出,不同故障原因的振动频率和能量不同,可以反映在图6(a)中振动频谱的 、 和 上。因此,选择 、 和 作为预警功能。此外,从虚拟WT中的齿轮箱来看,由于不同的故障原因可以反映在齿上不同的应力水平(例如,图6(b)中的接触应力和弯曲应力),因此选择 、 和 作为预警特征。通过分析作用在齿面和齿根上的力,可以得到 和 ,通过记录齿轮啮合数可以得到 。然后,利用学习速度快、泛化性能好的单隐层网络极限学习机(extreme learning machine, ELM)[12]构建了故障原因预测模型,如图6(c)所示,其输入分别为 、 、 、 和 。最后,根据输入和构建的模型,如图6所示,输出确定了故障原因。图6 DT驱动的齿轮箱故障原因预测根据步骤7,维修策略建议进行焊补。首先对虚拟WT中的变速箱进行焊接工艺以进行验证,然后对物理WT中的变速箱进行焊接工艺。所提出的方法不访问WT,同时预测故障原因和维护过程。4.3.性能比较与分析传统的齿轮箱故障原因预测方法通常使用物理WT中齿轮箱的振动信号(表示为 方法)。为了进一步验证所提出的DT驱动方法(表示为DT方法)的优点,将其性能与 方法进行了比较。在本例中, 方法也是使用 ELM 构建的。 方法的输入是 、 和 ,这些输入也用于 DT 方法。这两种方法在齿轮箱退化的 40 个 WT 数据上进行了测试,其中 15 个用于齿磨损,13 个用于齿轮疲劳,12 个用于断齿。对于齿轮磨损、疲劳和断齿这三种工况,每种方法识别出的正确工况的WT数量如图7所示。与P方法相比,DT法的准确度有明显提高。图7 两种方法的精度比较DT方法的优点主要来自于它的结构。根据工作流程,在物理和虚拟WT中的齿轮箱一致的前提下,构建的DT可以融合振动和应力信号进行预测。它可以从物理和虚拟两个方面描述变速箱。然而, 方法仅关注来自物理WT的振动信号。由于信号容易受到其他振动源的干扰, 方法精度很容易受到影响。5 总结和展望本文提出了用于复杂设备的DT驱动PHM。以WT为例,首先提出并建立了五维DT。然后,介绍了DT驱动PHM的框架和工作流程,并进行了齿轮箱预后案例研究,以证实所提出的DT方法提高了预测精度。考虑到DT的实施成本和复杂性,所提出的DT驱动的PHM方法对于监测工厂中的高价值和主要设备将很有用,并且必须有足够的数据进行DT建模。为了扩大PHM应用的规模,(需要解决的)挑战主要包括:(1)为具有不同特性和行为的复杂设备构建高保真数字镜像;(2)处理大量DT数据;(3)平衡DT的成本和收益。编辑:赵栓栓校核:李正平、王畅、陈凯歌、曹希铭、董浩杰该文资料搜集自网络来源:故障诊断与python学习

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习 福利任务 兑换礼品
下载APP
联系我们
帮助与反馈