基于全息谱的机组状态评估及故障诊断

2022-08-19蔡国娟

中国设备工程 2022年15期

蔡国娟

（中国石油化工股份有限公司天津分公司，天津 300271）

传统的振动信号处理主要是采用以快速傅氏变换（FFT）为核心的经典振动信号处理分析方法，包括时域分析、频谱分析、相关分析、倒频谱分析、包络分析等。这些分析方法存在着两方面的不足，首先这些方法将幅值和相位分离，甚至完全忽略了相位信息，致使诊断中丢掉了很多有用的信息；其次，这些方法都是孤立的去分析两个方向的振动信号，没有考虑它们之间的内在联系，往往难以得出可靠、准确的诊断结论。对于故障与信号特征之间的关系多是建立在单通道信息上，虽然也有一些截面双通道的分析方法，但对于信息的融合量还不能完全适应准确诊断故障的要求。以全息谱技术为核心，构建一整套信号分析和故障诊断技术，在充分融合设备振动信息的基础上，能够快速、准确区分诊断石化行业大型设备的常见故障，同时对相似故障和复合故障也有很强的区分能力。

1 机组状态评估方法

采用二维全息谱的融合参数信息结合模糊分类技术的方法对机组进行状态评估。主要原理如下：

设转子截面两个信号中的i阶次分量为：

式中，αi，βi分别为i阶初相位；Ai和Bi为i阶幅值；ω为旋转角频率，第i阶全息谱以向量方式表示为。式(1)可进一步表示成如下形式：

sx 和cx、sy 和cy 分别代表构成二维全息谱的正弦和余弦系数。当t=0 时，对应的点[cx，cy]叫做二维全息谱的初相点，通过全息谱椭圆初相点的变化也可以反应机组运行状态的变化。基于上述，以构造二维全息谱的正、余弦系数为基本参数，采用遗传编程的方法构造复合指标，选择其中一组指标如下：，Hi可取为

式中，iH为构造的复合指标。iH综合了全息谱构成的所有信息，比传统的单一指标的分类能力更强。aH,rH,sH表示对应区域里的全息谱的复合指标的最大值。接着采用模糊分类基本原理，从能量的角度出发，将谱型在相应的全息谱图上分为3个区域，如图1 所示。其中AH域—低频区域；RH域—工频区；SH域—高频区域。

图1 全息谱的3个域划分

利用iH用来指代式（3）中的aH,rH,sH，根据这3个区域上aH,rH,sH的大小及相对关系定义转子振动的7 种标准样本，如图2 所示。

图2 全息谱的模糊分类

2 机组故障诊断方法

通过全息谱参数结合概率神经网络来实现机组的智能诊断。根据全息谱能可靠地反映机组振动情况的特点，来获取振动信号的特征量的，将故障数据进行全息谱分析后的特征量作为权向量对神经网络进行训练，将诊断数据进行全息谱分析后的特征量作为网络输入，这样的神经网络训练速度快，同时又通过贝叶斯判定策略对机组故障类别进行合理判定。

为了便于进行旋转机械的故障智能诊断，必须对转子的故障进行科学的分类。同时，振动信号的采样点数都比较多，直接将时域样本输入神经网络显然不大可行，我们需要借助诸如FFT、全息谱等信号处理手段，从信号中提取某些时域或频域特征，应用这些特征来进行诊断。借助先进的信号分析方法，包括时频分析和全息谱等方法，可将转子的常见故障分为14 种模式，各种故障及其对应的识别特征列如表1 所示。

表1 旋转机械常见故障分类及特征

这些识别特征总的来说可以分为3 类，第一类包括表1 中的故障1 ～7，这一类根据与回转频率有关的某些频率成分全息椭圆的大小、偏心率、旋向、偏斜角等特征来判定；第二类为表1 中的故障8 ～10，这类根据某些特定频率的全息椭圆的特征来判定；第三类包括喘振、流体激励、气封磨损和支座松动，这4 种故障在频域内的特征均为低频区存在有色噪声带，采用频域特征分析的方法很难将它们区分开来，但其低频滤波轴心轨迹呈现出不同的特征，由时域分析技术可知，低频滤波轴心轨迹的复杂性可反映在垂直、水平方向的波形分布参数上，因此通过低频段波形的时域统计特征值的方法来进行判定，具有很好的效果。

3 案例分析

某烯烃部裂解气压缩机组，汽轮机驱动端测点V2052X/Y 出现间歇式振动波动，每次振动波动过程持续5 ～15 分钟，随后恢复到原来的稳定运行状态，但振动波动的最大幅值有逐渐增长的趋势，严重影响该机组的安全运行。选取具有代表性的时刻，即振动达到峰值时刻进行状态评价及故障诊断。V2052X/Y 截面测点在该时刻数据的状态评估结果和神经网络诊断结果图如图3 和图4 所示。机组该测点的状态应当归于RH类，机组运行状态一般，故障诊断结论如表2 所述。