基于振动分析的射流风机故障诊断与健康监测方法

倪伟 李世立

摘  要：本文主要论述了射流风机的主要故障情况，提出了一种射流风机的故障诊断与健康监测方法。通过在射流风机上安装振动传感器，采集射流风机的振动信号，然后对采集的信号进行处理，最后使用逻辑回归方法来实现射流风机的故障诊断与健康监测。该方法降低了对维护人员的专业知识要求，大大减少了射流风机的维保工作量，提高了射流风机运行的安全性。

關键词：射流风机;振动分析;故障诊断;健康监测

中图分类号：TP274      文献标识码：A 文章编号：2096-4706（2019）17-00140-04

Abstract：This paper mainly discusses the main faults of jet fan，and puts forward a method of fault diagnosis and health monitoring of jet fan.By installing the vibration sensor on the jet fan，the vibration signal of the jet fan is collected，and then the collected signal is processed. Finally，the logical regression method is used to realize the fault diagnosis and health monitoring of the jet fan.This method reduces the professional knowledge requirements of maintenance personnel，greatly reduces the maintenance work of jet fan，and improves the safety of jet fan operation.

Keywords：jet fan;vibration analysis;fault diagnosis;health monitoring

0  引  言

射流风机是一种特殊的轴流风机，主要安装在隧道的进、出口，起诱导气流或排烟等作用。射流风机工作工况单一，负载不大，设计寿命通常在10年左右。由于射流风机一般都安装在隧道的顶部，因此维护检查非常困难。目前对于射流风机的维护是定期进行人工检查，主要检查外观是否有异常，判断风机是否有异响，射流风机的螺栓松动、电机故障、叶轮故障等都无法及时发现。

在射流风机的诊断与维护方面，栗岗[1]提出基于振动监测的地铁风机故障诊断研究方法，宋永兴[2]提出了基于调制强度的地铁风机故障诊断方法。邵东波[3]针对成都地铁设备管理实际，提出将基于振动监测的状态维修应用到地铁机电设备的日常管理中。关于射流风机的诊断基本都是基于振动监测的手段来实现，但是目前市面上并无专门配套的产品。一是搭建这样一套监测系统的成本比风机价格都高，二是振动监测的指标需一定的专业知识才能够理解，维护人员难以利用这些指标准确进行风机故障的判断[4]。

本文简述了射流风机传感器的安装方案，提出了一种基于振动监测的射流风机的故障诊断与健康监测方法。通过采集信号提取特征指标，然后利用逻辑回归算法搭建射流风机的健康监测模型。将实时采集的射流风机振动信号进行特征参数求取后，输入搭建好的逻辑回归模型，即可得到当前风机的健康状态。

1  射流风机结构及常见的故障形式

射流风机由风机本体、风机吊装支架、消声器三个部分组成。风机本体包括电机、风机叶轮两个主要部分。

射流风机的故障主要有以下3种：（1）风机螺栓松动;（2）电机运行异常：电机轴承故障或电机温度过高;（3）叶轮不平衡故障。

2  传感器选择、安装及数据采集配置

2.1  传感器选择、安装

射流风机转速在3000rpm以下，电机轴承故障诊断需要进行共振解调，5kHz能够满足条件。由于没有特别低频的成分需要监测，因此低频5Hz可满足条件。传感器的频率响应可以确定为5Hz～5kHz，根据机械行业标准《JB/T 8689-2014通风机振动检测及其限值》规定，对于刚性支撑，均方根值不大于4.6mm/s，对于挠性支撑，均方根值不大于7.1mm/s。由此指标可以得出，50g量程的加速度传感器可满足射流风机振动监测的需求。

通过实验数据验证，3个振动传感器可以很好地监测到射流风机的故障。电机输出端水平径向方向安装1个，风机吊装支架的2个固定螺栓之间，一边各安装1个。

2.2  数据采集配置

为降低数据的采集设备的成本，使用广东寰球智能科技有限公司自主开发的数据采集设备。采集器有8个通道，最大采样率为25kS/s，A/D位数24位，动态范围为90dB，满足射流风机数据采集要求。数据采集设备的实物见图1。

3  射流风机故障诊断与健康监测

射流风机的诊断与健康监测处理流程如图2所示。主要分为数据采集、信号预处理、信号分离及特征指标求取、故障诊断与健康监测等。

3.1  信号预处理及特征指标求取与优化

3.1.1  信号预处理

信号的预处理为信号平均、去均值以及异常值剔除3个部分。对采集的时域信号进行平均可提高信号的信噪比，去均值是为了避免信号中的直流分量影响故障诊断的结果，异常值剔除是为了去除信号中随机的大峰值干扰成分。

3.1.2  特征指标求取

特征指标主要分为2类，一类是时域指标[5]，一类是频域指标。

常用的时域信号指标有有效值Xrms（均方根）、方差Var、峰值Xp、峰峰值Xpp、偏度系数、峰值指标Ip、峭度指标Kv。时域指标主要表征时域信号的一些特征。

频域指标有轴频幅值、时域信号包络解调后的轴承特征频率幅值。主要用来诊断轴承的故障。

3.1.3  特征指标优化

3.1.3.1  松动特征指标的优化

对隧道风机正常、螺栓松动0.5圈、1.0圈、1.5圈的振动信号进行预处理，然后求取有效值、方差、峰值、峰峰值、歪度指标、峰值指标、峭度指标、轴频幅值8个参数。图3是不同松动程度的指标有效值、方差、峰值和峰峰值趋势图，4个指标可监测到松动的变化。由于峰值和峰峰值相关程度很高，因此只选择其中之一。松动的特征指标确定为有效值、方差、峰峰值。

3.1.3.2  叶轮不平衡的特征指标优化

机理上分析，风机叶轮不平衡轴频幅值会明显增大[6]。图4是叶轮从正常到严重不平衡的指标的趋势变化，从图上可以看出不平衡程度加剧过程中，有效值，方差，轴频幅值3个参数逐渐变大。因此选择有效值，方差，轴频幅值作为叶轮不平衡的特征指标。

3.1.3.3  电机轴承的特征指标优化

从轴承故障机理分析，在早期故障時，轴承的故障特征主要体现高频部分[7]，需要对高频信号包络解调求取轴承特征指标，通过查看指标的趋势变化确定电机轴承的特征指标。通过数据分析验证，包络信号有效值、方差、六阶矩随着的轴承故障的加剧，幅值逐渐增大。因此选择包络信号有效值、方差、六阶矩作为电机轴承的特征指标。

3.2  基于逻辑回归的故障诊断与健康评估

由于基层维护人员不具备专业的故障诊断知识，无法利用这些指标的变化对故障进行准确定位，因此本文通过逻辑回归方法[8]对射流风机的状态进行健康评估，通过健康程度来判断射流风机的状态，当射流风机出现松动或电机轴承故障或叶轮不平衡时，对应的健康度参数会超出阈值，从而进行报警，准确地对射流风机的故障进行定位。该模型建立过程如下。

3.2.1  数据准备

需要准备的数据有以下4类：（1）射流风机正常工作的数据;（2）射流风机单个螺栓松动1圈的数据;（3）射流风机叶轮不平衡的数据;（4）射流风机电机轴承故障的数据。

按照上文所述，对不同类型的数据，求取对应的特征值，将正常数据标记为1，代表健康数据，将其他3种故障数据标记为0，代表故障数据，每种标签的数据不少于100条。

3.2.2  逻辑回归参数求取

逻辑回归是一种广义的线性回归，其通过Sigmoid函数，可以很好地将输出值转化到（0，1）上，且输出代表属于正常情况的概率，可用来表征射流风机的健康状况。Sigmoid函数的公式如下：

z=b+ω1*X1+…+ωm*Xm=ωTX+b

X是各种类型数据对应的特征向量值。ω是逻辑回归系数向量。

射流风机的健康度计算公式如下：

要实现健康度的计算，需要求解ω参数向量。通过最大似然估计方法，利用正常和各个类型的特征指标数据求取射流风机的不同故障类型的逻辑回归参数ω。其中松动的逻辑回归模型有2个，电机轴承故障的有1个，叶轮不平衡的故障模型有1个。

3.2.3  健康评估与故障诊断

将实时计算的各部件特征指标，输入对应的逻辑回归模型，即可得到射流风机的螺栓松动、电机轴承、叶轮的健康度。当射流风机出现以上故障时，健康度随着故障的加剧而逐渐下降，进而告警，维护人员不必进行排查，即可定位到故障部位。

4  结  论

（1）基于振动监测的射流风机故障与健康监测方法，可实现射流风机的螺栓松动、电机轴承、叶轮不平衡主要故障的实时监测与诊断，为维护人员提供了设备维护的依据，提高了设备运行的安全性;（2）通过逻辑回归的手段，实现射流风机的健康评估，降低了对维护人员的专业知识的要求，健康度参数可直接作为部件故障诊断的依据，减少了维保人员的工作量。

参考文献：

[1] 栗岗，周继续.基于振动监测的地铁风机故障诊断研究 [J].交通节能与环保，2018，14（4）：16-18.

[2] 宋永兴，伍柯霖，初宁，等.基于调制强度的地铁风机常见故障诊断方法的研究 [J].风机技术，2019，61（1）：77-81.

[3] 邵东波.基于振动监测的状态修在地铁风机设备管理中的应用 [J].城市轨道交通研究，2012，15（7）：79-82+119.

[4] 马绍奎，毛靓华.风机振动的检测分析和变换方法 [J].风机技术，2005（1）：45-47.

[5] 李长宁.机械故障信号统计建模及其故障诊断方法的研究 [D].哈尔滨：哈尔滨工业大学，2010.

[6] 黄曲贵.平行不对中和不平衡故障转子扭振特征的研究 [J].机械工程学报，1998，34（5）：91-100.

[7] 贾艳秋，张兵，陈雪梅.滚动轴承的故障机理及诊断 [J].化工装备技术，2011，32（4）：55-57.

[8] 陈保家，陈雪峰，李兵，等.Logistic回归模型在机床刀具可靠性评估中的应用 [J].机械工程学报，2011，47（18）：158-164.

作者简介：倪伟（1988.10-），男，汉族，湖北天门人，算法工程师，硕士研究生，研究方向：设备故障诊断与智能监测;李世立（1983.03-），男，壮族，广西崇左人，软件项目经理，管理学学士，本科，研究方向：智能制造。