首页/文章/ 详情

机械故障诊断干货 | (电机、减速机、风机)振动传感器部署指南,附图详解!

5月前浏览9842

本文摘要:(由ai生成)

本文讨论了工业设备振动传感器的高效部署,强调安装位置和方向的选择原则,如选择结构刚度高的部位和振动强度大的方向。针对不同设备类型,如电机、减速机和风机等,提供了具体的安装位置和方向建议。同时,介绍了传感器的安装方式和技巧,以确保测量精度。传感器安装应体现结构振动特性,减少安装工件影响,提高监测效率。

设备状态监测的测点通常选在设备轴承或靠近轴承的位置,通过在轴向、垂直方向、水平方向部署振动传感器来实现设备振动信号的采集。但在实际工作中,考虑安装空间和硬件成本,部署过程通常被两个问题困扰

  • 如何高效利用状态监测传感器,即传感器安装在什么位置,既可以减少传感器的使用数量,还可以尽可能的保证设备状态监测的效果;
  • 对于可以同时测量多方向振动的传感器,如果不同方向的性能指标存在差异,应当优先测量哪个方向更为合理

参考振动状态监测的相关标准,并结合设备故障诊断的实际经验,我们总结出选取状态监测传感器安装部署位置方向时,应当遵循如下原则

  • 安装位置应尽量选择设备结构刚度较高的部位,例设备的轴承座端盖等,减少振动信息在传递路径中的损失;
  • 安装方向应优先选择振动强度大的方向,例如与安装管道垂直的方向、设备的受力方向、齿轮的啮合方向等,提高振动信号的幅值。

下面我们针对现场常见的几类工业设备(电机、减速机、风机),具体说明进行设备状态监测时,振动传感器推荐的安装位置及安装方向。


该文来自天津三石峰科技有限公司,其是一家集产品研发、生产、销售为一体的科技型公司。公司主营业务板块:工业互联网、智能运维。

目录

1 电机
    1.1 卧式电机
    1.2 立式电机
2 传动部件
    2.1 直齿减速机
    2.2 斜齿、伞齿减速机
3 泵/风机
    3.1 悬臂式离心机/风机
    3.2 双支撑式离心机/风机
    3.3 罗茨风机/双螺杆压缩机
4 安装固定方式
    4.1 振动传感器安装位置
    4.2 振动传感器安装方向
    4.3 振动传感器安装技巧
    4.4 总结

1 电机

1.1 卧式电机

可靠安装在刚性支撑上的卧式电机,其驱动端带动负载设备,振动强度大于非驱动端,设备约束方向为垂直方向,因此大多数情况下水平方向的振动大于垂直方向

进一步考虑到传输距离越长,振动信号衰减越大的情况,卧式电机若选取单轴振动传感器安装位置和方向的优先级由高到低依次为:驱动端水平驱动端垂直驱动端轴向非驱动端水平非驱动端垂直

若使用3轴传感器,则应优先测量水平方向的振动,安装位置和方向优先级由高到低为:驱动端水平→非驱动端水平

1.2 立式电机

通常情况下,立式电机的驱动端与安装面距离近、约束较好,非驱动端距离安装面较远,振动强度大。

因此,立式电机部署单轴或3轴传感器时,均应优先安装在远离安装平面的非驱动端,条件不允许时可安装在驱动端。

2 驱动部件

2.1 直齿减速机

齿轮箱按传动级数可分为单级齿轮箱和多级齿轮箱。监测齿轮箱的运行状态需至少在输入轴输出轴上各安装一台振动传感器。对于内部为直齿轮的直齿减速机,其受力方向主要沿径向。

因此,若选取单轴振动传感器安装位置和方向的优先级由高到低依次为:输入/输出端垂直输入/输出端水平输入/输出端轴向

若选取3轴传感器,则应优先测量垂直方向的振动,在输入和输出轴的垂直方向安装传感器即可。

2.2 斜齿、伞齿减速机

对于斜齿或伞齿减速机,其受力方向主要沿轴向,应重点监测主轴方向的振动信号。

若采用单轴振动传感器安装位置和方向的优先级由高到低依次为:输入/输出端轴向→输入/输出端水平输入/输出端垂直

若采用3轴传感器进行状态监测,应优先测量轴向的振动,选择在输入和输出轴的轴向安装传感器即可。

3 泵/风机

3.1 悬臂式离心机/风机

悬臂式离心机/风机的轴承在叶轮一侧,测点通常选取靠近驱动端轴承的位置。需要注意的是,泵机/风机的进口和出口管道同样对设备起到约束作用,一定程度上抑制了设备在管道方向上的振动,在条件允许的情况下,振动测量方向应当与进口管道和出口管道垂直。但是相比泵机底部螺栓的固定,管道的约束效果有限,当管道方向为水平方向时,仍优先在水平方向安装振动传感器。

使用单轴传感器进行悬臂式离心机/风机的状态监测时,安装位置和方向的优先级由高到低依次为:驱动端水平→驱动端垂直驱动端轴向

使用3轴传感器进行状态监测,则优先选择测量水平方向振动。

3.2 双支撑式离心机/风机

相比单支撑离心机/风机,双支撑离心机/风机在叶轮两侧均有轴承,因此在监测时需要在驱动端非驱动端均布置测点
采用单轴传感器时,安装的优先级由高到低依次为:驱动端水平驱动端垂直驱动端轴向→非驱动端水平→非驱动端垂直→非驱动端轴向

若采用3轴传感器,则应优先测量水平方向的振动,驱动端的安装优先级高于非驱动端

3.3 罗茨风机/双螺杆压缩机

罗茨风机/双螺杆压缩机中扇叶的啮合方向为垂直方向,因此垂直方向的振动相对较大。对于主动轴和从动轴轴心距离小于800mm的罗茨风机或双螺杆压缩机,每端(驱动端/非驱动端)可以使用一台传感器,在两轴中间进行垂直方向的振动测量。如果主动轴和从动轴轴心距离超过800mm,主动轴和从动轴垂直方向的振动需要分别安装2台传感器进行采集。
若采用单轴传感器,由于主动轴和从动轴转速一致、轴承型号一致,考虑到传感器的成本,出现问题可不定位故障轴承,可针对一根轴来进行状态监测
(1)  若选择主动轴监测,传感器安装位置的优先由高到低依次为:驱动端主动轴垂直驱动端主动轴轴向→非驱动端主动轴垂直非驱动端主动轴水平驱动端主动轴水平→非驱动端主动轴轴向
(2)  若选择从动轴,安装位置的优先级变为:驱动端从动轴垂直驱动端从动轴轴向→非驱动端从动轴垂直非驱动端从动轴水平驱动端从动轴水平→非驱动端从动轴轴向

4 安装固定方式

振动传感器有多种安装方式:手持探针、蜂蜡、双面胶、磁座、胶粘和螺栓等方式。不同的安装方式对应不同的安装刚度,因而整个传感器系统的自振频率会不同。安装刚度越大,传感器系统的自振频率越高,能用于测量频带也就越高。因此,关心的频带越高,传感器的安装刚度应越大。在这几种安装方式中,螺栓连接安装刚度最大。但是这时的安装是一种有损安装,因需要在结构表面开螺纹孔。

4.1 振动传感器安装位置

振动传感器安装要与被测设备良好固定,保证紧密接触连接牢固,振动过程中不能有松动。因此,要求安装表面平整,不能有油污、尘土、碎屑等杂物。当安装平面不平整时,应加工使之平整。当结构表面有油漆,也应该去除表面油漆之后再安装传感器。当用磁座安装时,磁座应当安全牢靠地吸附在测量位置表面上,如下图所示:

4.2 振动传感器安装方向

振动传感器的测振方向应该与待测方向一致,否则,会造成测量幅值误差。不同的测试要求不同的传感器安装方向。测量位置产生的振动依赖于传感器的安装方向,不同的方向振动幅值是不相同的。应根据测试要求将传感器安装在待测方向上。如果传感器方向偏离测试方向,那么此时横向运动可能远大于轴向运动,此类误差将会特别明显。

4.3 振动传感器安装技巧

当用胶粘时,应沿垂直胶粘平面方向用力按压传感器,使传感器底部的胶形成较薄的一层避免胶层太厚,导致将高频阻隔掉。

当使用磁座安装时,由于磁座有吸力,因此安装传感器时应十分小心。若通过磁力垂直吸附在结构表面,由于瞬时的磁力,会导致传感器受到撞击,影响精度。正确的做法时使磁座倾斜一定角度靠近安装表面完成安装。

传感器安装后,信号传输导线应固定,同时传感器与导线的接头应紧固连接,测试过程中不能出现松动。固定导线时,接头处的导线应处于舒展状态,不应拉紧受力。导线固定有三个方面的好处,

  • 第一,当传感器松动,与被测结构松开时,不会直接摔到地上,损坏传感器,因为有导线拉着。
  • 第二,不固定的传输导线在测量过程中发生晃动,会拍打被测结构,导致出现新的振源,这一点特别是模态测试时,需要特别注意。
  • 第三,传输导线出现弯曲,拉伸等可能会引起导体与屏蔽层之间局部电容或电荷的变化,引入噪声。

其他方面主要是考虑高温、防潮和绝缘等问题。户外高温天气进行测量时,应考虑高温对传感器的影响。对于室外需要隔夜测量时,应考虑传感器的防潮问题。

4.4 总结

振动传感器安装的总原则:传感器的安装位置应能体现结构的振动特性,应该仔细地检查安装表面是否有污染和表面平滑,如有需要应加工使之平整。使传感器的测振方向和测量方向的偏差减到最小,否则将导致相当于横向灵敏度所引起的误差。安装时,注意安装技巧,尽量减少安装工件带来的影响。安装时安装刚度应尽量大,这样可用的频带会越宽。信号电缆应固定于结构表面安装表面的状态和安装方法应在实验记录中进行记录。


来源:故障诊断与python学习

附件

免费链接.txt
振动航空python电机传动螺栓管道
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:2024-05-20
最近编辑:5月前
故障诊断与python学习
硕士 签名征集中
获赞 64粉丝 66文章 140课程 0
点赞
收藏
作者推荐

信号处理基础之噪声与降噪(六) | DT-CWT、EWT降噪及python代码实现

目录1 双树复小波降噪1.1 双树复小波变换1.2 双树复小波降噪1.3 双树复小波降噪的python实现2 经验小波降噪2.1 经验小波变换2.2 经验小波降噪2.3 经验小波降噪的python实现3 算法测试3.1 测试用例3.2 降噪结果3.3 降噪指标4 参考文献1 双树复小波降噪1.1 双树复小波变换双树复小波变换(Dual-Tree Complex Wavelet Transforms, DT-CWT)由实部树和虚部树的两个并行的实小波变换构成[1]。复小波表示为: 式中,h(t)和g(t)分别表示复小波的实部和虚部,两个函数均为实函数[2]。双树复小波变换包含两个平行的分解树,分别定义为树A和树B,树A给出双树复小波变换的实部,树B给出虚部,变换过程中,对树A和树B分别执行高低通滤波,即可实现双树分解,DT-CWT分解的流程如图1所示。图1 双树复小波变换流程 DT-CWT显著改善了DWT的平移敏感性和方向选择,关于DWT的平移敏感性和方向选择的说明详见文献[3],此处不再进行展开。 对变换中的每一棵树分别使用双正交滤波器(设计成与对应的分析滤波器具有完全重构特性的滤波器)进行反变换,最后对两棵树的输出结果进行平均,可以保证整个系统近似的平移不变性。经过双树复小波变换的实部树和虚部树的联合重构信号可以表示为: 式中, 和 为第j层分解的实部树和虚部树的联合,可分别表示为: 式中, 和 分别表示实数部小波变换的小波系数和尺度系数; 和 分别表示虚数部小波变换的小波系数和尺度系数。于是双树复小波变换分解的小波系数和尺度系数可表示为 可以看出,双树复小波变换的分解和重构实现了实部树和虚部树信息的互补,能够保持信号的完全重构性。1.2 双树复小波降噪双树复小波变换将原始信号分解成小波系数和尺度系数,也称为细节分量和近似分量,其中噪声成分主要集中在细节分量中(高频部分)。与小波降噪相同,随着分解层数的增加,噪声的能量逐渐衰减,双树复小波分解得到的小波系数变小,确定合理的阈值可以对噪声进行剔除。阈值确定方法详见信号处理基础之噪声与降噪(五) | 小波降噪及python代码实现。双树复小波降噪的基本流程如下:(1)信号分解:使用双树复小波变换对信号进行多级分解。DT-CWT 生成两棵树的小波系数,每棵树提供了信号的一半信息,这两棵树合在一起可以提供更完整的频率和方向信息;(2) 阈值处理:对小波系数进行阈值处理以去除噪声。常用的阈值方法包括软阈值和硬阈值处理。软阈值可以更平滑地处理信号,而硬阈值可能会导致信号失真;(3)系数重构:使用处理后的小波系数通过逆双树复小波变换重构信号。1.3 双树复小波降噪的python实现双树复小波降噪的python实现如下:import pywtimport numpy as npimport matplotlib.pyplot as pltdef denoised_with_dtwt(signal, wavelet, mode='soft', level=1): coeffs = pywt.wavedec(signal, wavelet, mode='per') sigma = np.median(np.abs(coeffs[-1])) / 0.6745 threshold = sigma * np.sqrt(2 * np.log(len(signal))) new_coeffs = [pywt.threshold(c, value=threshold, mode=mode) for c in coeffs] new_coeffs[0] = coeffs[0] # 保留近似系数不变 signal_denoised = pywt.waverec(new_coeffs, wavelet, mode='per') return signal_denoised2 经验小波降噪2.1 经验小波变换 经验小波变换(Empirical Wavelet Transform, EWT)是由Gilles提出的一种基于小波框架的自适应自适应小波分析方法,其将小波变换理论与EMD方法相结合,规避了EMD计算量大和模态混叠等缺点[4]。EWT的实质是对信号频谱进行自适应分割,建立合适的小波滤波器组,加小波窗后提取紧支撑傅里叶频谱的调幅-调频成分[5]。 经验小波变换的基本步骤如下: (1)傅里叶频谱的自适应划分:定义[0, ]的傅里叶谱将信号自适应分割成连续N段,每个频段表示为 ,以每个 为中心,定义宽度为 的过渡段,如图2所示[6]。图2 傅里叶轴的分割 (2)各分割区带通滤波器设计:依据Little wood-Paley和Meyer理论,构造经验小波函数 和经验尺度函数 ,构造方法详见文献[4-6]。 (3)细节系数与近似系数确定:定义经验小波变换 ,记经验小波函数 和经验尺度函数 的逆傅里叶变换分别为 和 ,则细节系数可表示为经验小波函数与信号的内积: 近似系数可以表示为经验尺度函数与信号内积: (4)原始信号重构:原始信号可表示为 经验模态可表示为: 2.2 经验小波降噪 在经验小波变换的基础上,结合峭度法和相关系数法等方法(详见信号处理基础之噪声与降噪(三) | EMD降噪与VMD降噪及python代码实现)可对信号中的噪声进行去除,基本步骤如下: (1)通过EWT对信号进行分解,得到若干经验模态函数; (2)计算各经验模态函数的峭度值或相关系数,筛选有用信息; (3)信号重构。2.3 经验小波降噪的python实现 经验小波降噪的python实现如下:import numpy as npimport matplotlib.pyplot as pltimport ewtpydef denoised_with_ewt(signal): ewt, mfb, boundaries = ewtpy.EWT1D(signal) ewt = ewt.T ewt_denoised = [component for component in ewt if np.corrcoef(signal, component)[0, 1] >= 0.4] signal_denoised = np.sum(ewt_denoised, axis=0) return signal_denoised3 算法测试3.1 测试用例注:用例中denoised_evaluate()函数见”信号处理基础之噪声与降噪(二) | 时域降噪方法(平滑降噪、SVD降噪)python代码实现“import matplotlib.pyplot as pltimport matplotlib# 创建一个信号n = 500 # 生成500个点的信号t = np.linspace(0, 30*np.pi, n, endpoint=False)s = np.cos(0.1*np.pi*t) + np.sin(0.3*np.pi*t) + np.cos(0.5*np.pi*t) + np.sin(0.7*np.pi*t) # 原始信号r = 0.5 * np.random.randn(n)y = s + r # 加噪声denoised_signal_dtwt = denoised_with_dtwt(y, 'db4', 'soft', level=8)denoised_signal_ewt = denoised_with_ewt(y)value_dtwt = denoise_evaluate(s, r, denoised_signal_dtwt)value_ewt = denoise_evaluate(s, r, denoised_signal_ewt)print(value_dtwt)print(value_ewt)fig = plt.figure(figsize=(16, 12))plt.subplots_adjust(hspace=0.5)plt.subplots_adjust(left=0.05, right=0.98, top=0.95, bottom=0.05)font = {'family': 'Times New Roman', 'size': 16, 'weight': 'normal',}matplotlib.rc('font', **font)plt.subplot(5, 1, 1)plt.plot(t, s, linewidth=1.5, color='b')plt.title('pure signal', fontname='Times New Roman', fontsize=20)plt.subplot(5, 1, 2)plt.plot(t, y, linewidth=1.5, color='b')plt.title('noised signal', fontname='Times New Roman', fontsize=20)plt.subplot(5, 1, 3)plt.plot(t, denoised_signal_dtwt, linewidth=1.5, color='b')plt.title('DTWT', fontname='Times New Roman', fontsize=20)plt.subplot(5, 1, 4)plt.plot(t, denoised_signal_ewt, linewidth=1.5, color='b')plt.title('EWT', fontname='Times New Roman', fontsize=20)plt.subplot(5, 1, 5)plt.plot(t, y-denoised_signal_ewt, linewidth=1.5, color='b')plt.title('y-EWT', fontname='Times New Roman', fontsize=20)plt.show()3.2 降噪结果降噪结果如图3所示。图3 降噪结果 3.3 降噪指标降噪指标如表1所示。表1 降噪指标4 参考文献[1] 刘嘉辉,秦仙蓉,王玉龙,等. 基于双树复小波变换与样本熵的自适应降噪法[J]. 振动、测试与诊断,2022,42(2):285-291. [2] 刘蕾. 基于双树复小波变换的图像去噪[D]. 北京:北京化工大学,2010. [3] 石宏理,胡波. 双树复小波变换及其应用综述[J]. 信息与电子工程,2007,5(3):229-234. [4] 吕跃刚,何洋洋. EWT和ICA联合降噪在轴承故障诊断中的应用[J]. 振动与冲击,2019,38(16):42-48,70. [5] 骆春林,刘其洪,李伟光. EWT-SSA联合降噪及其在滚刀振动信号分析中的应用[J]. 中国测试,2022,48(8):109-116.[6] 李志农,朱明,褚福磊,等. 基于经验小波变换的机械故障诊断方法研究[J]. 仪器仪表学报,2014(11):2423-2432.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