浅谈轧钢机械振动监测与故障维护.docVIP

浅谈轧钢机械振动监测与故障维护 　　摘要 本文主要介绍了轧钢机械设备的故障监测与维护方法，以振动故障的特征数据及诊断标准为根本，提出了一系列信号采集和信号分析的新方法，旨在为轧钢机械设备的维修提供更准确快捷的方法。 　　随着科技的进步，现在大部分的钢铁企业连轧生产线上所使用的轧机都具备精密度高、安装较复杂等特点，这就无形对技术人员，维护人员等的水平提出了挑战。为了能更准确快速的维护和检修轧钢的机械设备，我们可以对轧机的重点部位进行动态振动监测，采集其振动故障的相关数据及信号，对其进行分析判断，方便以后出现故障时，能更好的、快速的进行维修。 　　1 振动监测与故障诊断系统的基本结构 　　一般一套完整的故障监测与诊断系统是由多个数据传感器、智能采数器、一个数据服务器、工程师站以相关的监测和故障诊断软件组成的，其中主要对一些主要机器进行监测，如轧钢中所用到的各类减速机、轧机的齿轮座以及加热风机等等。其具有数据采集和储存、动态监测、信号分析和智能故障诊断等功能。其工作流程为：首先将安装在轧钢机器上的涡流传感器和加速度传感器输出的电信号通过数据采集箱转换为数字信号；其次通过网络通信，将所有采集的数据存储在数据服务器上，以保证数据的完整；最后通过工程师站对数据进行整理分析，进而对故障进行诊断。 　　2.振动故障的判断标准 　　判断轧钢机械是否发生振动故障，主要有三种标准，即故障类比、故障定量评判标准以及相对判断标准，而导致轧钢机械出现振动故障的原因有很多，所以对其物理现象进行准确的评判比较困难。一般来说，影响轧钢机械故障的判断因素主要有：轧钢机械的轴承种类、机械工作状态的转变、工作转速、振动故障的类型、传感器的安装部位等等。由此，我们可以得出一个结论，构造出较科学精密的故障判断标准是很困难的，所以在振动诊断标准的构建中，除了一些定量标准，还需要引入一些动态相对标准。其具体来说就是，采集不同时间段对各个相同位置的测试数据，以同样的方法，同样的环境定量测量所得的测试数据，用它们和正常状态下的工作数值进行对比分析，来以此判断是否出现故障以及故障程度。 　　3.振动故障的特征数据 　　一般来讲，轧钢机械的振动信号主要是由齿轮和滚动轴产生的，由于信号量大，传递途径比较复杂，并且受转速、负荷、工况不稳定等因素的影响，分析过程也较复杂，所以就要求工作人员要有丰富的专业知识，以及一定的工作经验，才能对特征数据进行很好的分析。由此可以看出，对轧钢机械进行故障诊断，除了对一般的波形和频谱分析外，对特征数据的计算分析也十分重要，只有通过对这些特征数据进行分析，才能得出不同振动故障的典型特征。我们可以运用数学公式，建立一个坐标系，横轴为时域方面，主要反映波形曲线特征的振动峰值、平均值、有效值、波峰因子和歪度等等；纵轴为频域方面，主要反映频谱统计特征的中心频率、均方频率等，以及反映故障特征频率的轴频及其倍频、齿轮啮合频率及其倍频、轴频与滚动轴承的通过频率等，进行分析计算。总之，故障诊断的关键就在于如何在复杂的环境中来提取有效数据，并把这些故障特征数据与正常数据进行对比分析，从而发现产生故障数据的原因。 　　4.故障数据的采集 　　从故障诊断的需要来说，采样数据是越长越好，越多越好，不同部位不同对待，一般有以下几种情况， 　　（1） 轴承应该每三个月进行一次监测； 　　（2） 对关键设备以及重负荷的轴承应该加大监测频率，每周至少监测3次； 　　（3） 如遇到轴承运行数据不稳定时，应加大测量力度； 　　（4） 对受损轴承、状态不佳轴承，也应该加强监控，直至换新的轴承。 　　不过一般从实际情况来看，由于快速傅里叶变换需要的时间与采样数据大小呈指数增加，并且会大量占用数据存储空间，这样会影响到轧钢机械的工作效率，所以确定每组原始采样数据长度为2048点较为合适，基本可以覆盖上述特征频率分布。数据的采集由键相信号完成，分为自动键相和手动键相。对于装有转速/键相的主轴，采用自动键相，数据采集为整周期采样方式，没转采样数据长度为2048点，这样可以避免数据严重失真的“旁瓣”效应，可以得到准确的轴频及其倍频成分。对于不能安装转速/键相的设备，采用人工键相，根据设备的实际转速，通过人工设置每块振动采集板的采样频率，以保证在数据长度不变的情况下，利用信号分析技术得到所需的故障频率，频率分析的上下跟随着人工设置的采样频率改变。 　　系统数据可以将采集的数据按照不同形式进行存储到数据库中，这些数据小到每小时的数据，大到每年的数据，以及变转速数据，原始比较数据和故障数据等等。其中，原始比较数据库储存设备第一次启动或维护后启动的数据，就为将来设备出现异常时作为对比分析的参照基准。还有特征数据库经过处理的波形和频谱的特征数据，则作为以后系统进行故障自我诊断的根据。 　　5.振动信号的分析