基于灰色关联度的圆锥式破碎机磨损构件识别

陈家权，于广宇，2

（1.广西大学机械工程学院，广西南宁 530004；2.鞍钢矿业装备制造分公司，辽宁鞍山 114042）

0 引言

磨损是导致机械设备故障与失效的主要原因，机械磨损时，会有小颗粒混入油液中。在进行油液取样检测时，这些小颗粒会透露出有关该设备磨损的一些信息，因此可以利用混入小颗粒性质的变化与设备磨损程度建立关系。灰色关联度分析法是将不同系统或因素通过建立系统模型进行关联性大小的量度，以此描述一个系统在发展过程中因素间相对的变化[1]。王克等人[2]提取出液压系统中的颗粒污染物，建立了液压油液中固体颗粒物的形状及尺寸分布与液压系统故障产生的关系。

利用灰色关联度分析技术对分类及判断模糊界限能力强的优势。目前研究学者基于灰色关联度使用铁谱检测数据，将模型应用于风电机组故障构件识别[3]，其局限性是由于不同部件含有相同的金属元素较多，无法准确掌握和识别所磨损部件位置，检测意义不大。

在查阅资料之后，根据圆锥式破碎机结构找出特定磨损位置特征金属元素，构造模式[4]。然后针对任意磨损状态下的待识别模式，计算与标准模式的灰色关联度，估计磨损元素最大可能所属的磨损部位。

1 磨损构件识别概述

设备运行时，零件会相互接触，在摩擦副表面会出现滑动、滚动或冲击情况，随着运行时间的增加，表面的损伤或脱落会产生磨损微粒。通过磨粒的性质可以识别出磨损构件的最大可能部位。在破碎机的油液检测中，一般采用定期取样监测齿轮油质量来评价设备运行情况，进行检测前要对目标设备构造磨损构件识别模型。检测步骤为：先通过金属元素光谱技术来检测取样油液含有的金属种类和含量，然后代入构造好的磨损构件识别模型，采用灰色关联度分析，最后得出结论。

2 构造磨损构件识别模型

圆锥破碎机的伞齿轮带动大齿圈运转，大齿圈与偏心套是一体的，这样就能带动破碎壁旋转，通过与轧壁之间间隙的变化来破碎物料。一般需要在齿轮与齿圈、轴套与锥套及各类密封环进行油脂润滑。圆锥破碎机技术参数规定，润滑油必须使用ISO150 级润滑油，黏度指数90 以上。换油周期为3000 h。通过查找资料，对于圆锥破碎机，主要磨损构件是偏心套铜套、衬套、衬板、活塞环、轴承，所含金属元素如表1 所示。

构造标准磨损构件识别模型，首先将不同磨损构件按照不同金属构造进行分类，然后进行特征向量提取，要求最大限度反映模式的特征信息。通过对表1 中圆破机摩擦副元素的分析，该系统的主要磨损构建有偏心套磨损、衬套磨损、衬板磨损、活塞环磨损、轴承磨损等5 种类型[5]。可以将其构造成5 种标准模式，每一种模式包含两种信息：第一种为元素个数的信息；第二种为是否存在某种具体元素信息。将上述信息构造为模式的特征向量，分别用A1和A2表示。

对于A1，分析5 种模式有5 种情况，1、2、3、4 和5，可以表示成=[a11，a12，a13，a14，a15]对应取值为1、2、3、4 和5。

对于A2，分析可以共有9 种主要金属元素，分别是Fe、Cu、Mn、Al、Cr、Pb、Ni、Mo、Sn，并按此顺序排列。因此，A2可以表示成=[a21，a22，a23，a24，a25，a26，a27，a28，a29]分别与以上元素对应。

有了上述的信息，就可以构造A1～A5的标准磨损构件模式，每一种模式的元素个数和类别存在性构成了一组特征向量。使用二进制方法表示元素存在性，有表示成“1”，没有则表示成“0”，即：

表1 磨损构件主要金属元素表

以上a1～a5是对圆锥破碎机发动机的5 种磨损位置标准模式，可以表示成谱图（表2）。

表2 磨损构件模式谱

3 工程实践

3.1 取样测量

某作业区1#1200/160 型圆破机有异响，系统容量为2720 kg，所添加为150#重负荷工业齿轮油，油液使用时间为1710 h，初步结论为初步判断有磨损问题。接下来进行元素分析检测，主要金属元素检测结果见表3。金属元素分析结论为，破碎机工作环境中，由于正压除尘效果不好，极易造成灰尘进入润滑油内。经金属含量检测判断为存在磨损情况，影响传动效果，导致运行黏度大[6]。

表3 主要金属元素检测

3.2 灰色关联度计算

基于灰色关联度理论，将待识别的样本模式与已知相关因素之间的相关性大小的进行度量。偶对称性表明，当灰色关联因子集中只有两个序列时，两两比较满足对称性。对于两个序列模式X0和Xi，一个标准模式，一个待识别模式，二者在第k 点的关联系数记为r（x0（k），xi（k）），关联度记为R（X0，Xi），则对应分辨系数ξ∈（0，1）有：

以上即为灰色关联度R（X0，Xi）的计算方法，它同时也满足灰色四公理。下面是灰色关联度的计算步骤：

计算完关联度后，代入表2 磨损构件模式谱，即可排序选取与待识别模式最大关联度的标准模式，确定最大可能的磨损构件。

对于待识别变量组[Fe、Cu、Cr、Pb、Ni]构造，其待识别模式为：[5，1，1，0，0，1，1，1，0，0]。取ξ=0.48[7]，计算得待识别模式与标准模式之间的关联度如表4 所示。

将上述灰色关联度表由大到小排序关联度，其对应的模式排序为：A1、A2、A3、A4、A5待识别模式，它对应的磨损构件的信息为铜套的磨损。对应的主要金属元素为Fe、Cr、Mo、Sn，待识别模式中所含主要金属元素为Fe、Cu、Pb、Cr、Sn、Mo，它们之间关联度超过了60%以上[8]，还是有较高的可信度。通过科学分析，判断粗破机偏心套铜套产生了磨损，并上报给了生产作业区。

给出判断依据后第三天，在维修现场发现了拆卸的偏心套乌金，产生脱落的原因是由于生产过程中油液不慎进入杂物，同时由于空滤定期保养不够、进气质量恶劣导致了磨损（图1）。这也验证了之前的判断。

表4 灰色关联度表

4 结论

图1 偏心套乌金大面积脱落

工程实践结果表明，元素光谱检测和灰色关联度分析的联合应用能够精确找到磨损故障构件，将加快维修进度，有效保证设备生产运行。这个方法大大提高了检修效率，这为故障初期的快速识别故障位置提供了一条新思路，为主动维修提供了依据，同时减少了因为突发状态延误工期造成的不必要损失。减少了检修作业量，为企业节约资金、创造利润[9]。