旋转机械故障诊断系统

何成善 华 成

酒泉钢铁（集团）有限责任公司 嘉峪关 735100

0 引言

随着市场竞争的加剧，在保障设备高效运行的前提下尽可能降低维修成本已成为企业追求的目标。从工业化大生产至今，设备维修大致经历了事后维修、预防维修、状态维修或预知维修3 种方式。状态维修或预知维修方式以设备的运转参数为依据[1]，利用先进的测试技术进行设备状态监测和故障诊断。

落后的设备维修方式造成设备欠维修和过维修情况严重。统计数据显示，设备维修过程中检查事项约占检修量的25%以上。一方面浪费检修人力，影响设备检修周期制定的合理性（设备维修标准制定了检查周期），增加了设备维护成本并降低了生产线效率；另一方面不必要的拆开检查影响了设备安装精度，降低了设备寿命，增加了备件投入。根据日本新日铁公司数据，采用设备状态监测和故障诊断技术后，每年维修费用降低10%[2]。

旋转机械（如风机、泵、压缩机、电动机、减速器、轴承等）作为各行业关键设备，对其进行状态检测与故障诊断是开展设备状态维修的核心和重点[3]。统计数据显示，2020 年某钢铁公司发生机械设备故障或事故47 起，其中旋转类机械设备17 项，占比36%。结合企业实际情况，在充分掌握国内外旋转机械振动监测与故障诊断实践经验及新技术的基础上，以不同的机械部件类别及故障类型为依据，分类设计面向风机、减速器、轴承等旋转机械的状态监测及故障诊断系统，对降低企业设备维护费用，提高设备维检水平具有重要意义。

1 旋转机械监测诊断理论

一些先进的理论和方法当前已应用到了设备状态监测与故障诊断技术领域。在旋转机械方面已普遍应用了傅氏谱为基础的信号分析方法（包含倒谱、包络谱、高阶谱），同时发展了Wigner-Ville 分布、短时Fourier变换等瞬变特征及非平稳信号分析工具。目前，基于小波分析的信号处理统一框架通过优化匹配故障波形和基函数，极大增强了振动信号的处理能力。全息技术由于充分利用了转子相位信息，在幅频分析的基础上已成为旋转机械监测诊断的重要手段[4，5]。

对微弱信号的分析是实现设备故障早期识别的有效手段，也是近年来国内外研究重点。美国杜克大学将小波变换应用于旋转机械的瞬时振动分析取得了成功；日本九州工业大学通过基因算法成功分析了滚动轴承微弱故障。国内的研究也有较大突破，国防科技大学将随机共振理论应用于转子碰撞的早期诊断并取得了成功；清华大学将小波尺度谱成功应用于了微弱信号的分析；重庆大学将Hilbert-Huang 变换研究成果成功应用于了旋转机械的微弱信号诊断；西安交通大学研究了复杂机电系统的早期故障分析理论与方法，取得了显著成果[6-8]。

2 故障的早期识别

2.1 轴承微弱故障信号识别

通常情况下，轴承的早期故障在振动信号方面表现为微弱的冲击脉冲，这种冲击信号在系统振动中很容易被忽略。然而，非线性流形学习在实现数据间几何关系和距离测度不变的同时，通过观测空间卷曲的流形发现内部的主要变量，从而实现早期冲击故障信号的识别[9]。

图1 流形学习的轴承微弱故障特征识别

2.2 减速器微弱故障信号识别

电动机的电流信号包含了被驱动设备的相关状态信息，但该状态信息在电流信号方面表现微弱并且谱线密集，难于识别。因此，有必要应用电动机电流微弱特征信号识别技术（电流信号循环平稳分析）来分离出电动机电流中包含的减速器微弱故障信号[11]，如图2 所示。

图2 基于电动机电流的减速器微弱故障信号识别

2.3 压缩机微弱故障信号识别

压缩机喘振故障普遍且危害大，目前主动预警技术是避免喘振的重要技术手段。在实际应用技术方面，通过频谱细化并结合快速相关积分法，可以有效分析压缩机喘振故障的微弱非稳定能量信号的发展变化规律，从而识别压缩机的喘振故障。压缩机喘振的微弱信号识别如图3 所示。

图3 压缩机喘振的微弱信号识别技术

2.4 风机动态自适应划分与报警

如图4 所示，针对风机状态个性化发展变化的特点，基于风机自身的动态监测数据建立自适应模型，削弱干扰因素影响，在高维特征空间中，连续提取出与状态变化同步的监测数据分布特征，设置报警阈值，实现自适应的风机状态划分；同时构造适应个性化现场环境与设备运行特征的异常状态监测方法，以避免机组不合实际的报警甚至停机的情况发生，提高机组的运行效率。

图4 风机的自适应动态报警分析

3 分类别旋转机械故障诊断系统的构建

3.1 系统总体框架

系统的总体框架结构如图5 所示。用户界面层实现用户与状态监测层、故障诊断层以及数据库的交互；数据层主要用来管理系统中的数据；故障监测层实现设备状态信息的分析及监测；故障诊断层是故障特征库的建立及故障诊断模型的设计，实现故障诊断的功能。

图5 系统的总体框架结构

3.2 软件开发环境及数据库选择

1）软件开发环境

选择程序开发环境的原则是考录其是否擅长于完成所需要实现的功能，同时所选软件也必须具有通用性，以便与不同的设备配合使用。

对于编制具有视窗界面风格的软件，可视化编程工具和图形化编程工具2 类目前使用较普遍。可视化编程工具包括 Visual Basic、Visual C++、Delphi 等开发环境。对于开发人员而言要求其编程能力和硬件知识的掌握程度较高，使得软件开发周期长、成本增加，同时软件的移植和维护、可再用性、可重新配置能力也是费时费力且相对困难。图形化的编程环境当前市场上代表产品是VEE（Visual Engineering Environment，可视化工程环境）和LabVIEW。

综合各种软件开发环境的比较，本文选用LabView语言，其满足了 GPIB、VXI、PXI、RS-232、和RS-485 以及数据采样卡等硬件通讯的全部功能，还内置了便于应用 TCP/IP、ActiveX 等软件标准的库函数。

2）选择数据库

目前，商品化的数据库管理系统以关系型数据库为主导产品，技术比较成熟。国际的主导关系数据库管理系统有Oracle、Sybase、Informix、Ingres 和MS SQL Server 等。由于本文处理的数据是海量的和非常规类型（如波形数据）的机组运行状态数据，故在选择系统的数据库管理系统时主要从实时性、安全性、构造数据库的难易程度、程序开发的难易程度、并行处理能力、容错能力、对分布式应用的支持、数据库管理系统的性能等方面进行考虑。

MS SQL Server 是目前数据库市场上较为成熟的产品，同时由于系统的 Web 程序是构架在.net 平台上的，为了达到与数据库系统更好的无缝集成性，系统选用了SQL Server 作为系统后台开发的数据库系统。

3.3 状态监测

状态监测是在设备运行中掌握设备状态并分析故障的技术，开发系统具备在线和离线2 种使用功能，如图6 所示。分析手段包括时域分析、频域分析、全息分析、轴心轨迹分析、能量彩图分析、冲击脉冲分析、三维谱阵分析等。系统根据不同设备类型（故障特征不同）匹配不同的分析方法。除常规诊断分析方法外，非平稳信号分析的短时Fourier 变换、小波分析及全息分析技术在本系统中选择应用，主要目的是提高故障分析的准确率。

图6 本项目设备状态监测系统构成及功能简图

3.4 故障诊断

故障诊断主要技术内容包括文档建立和诊断实施2部分，文档建立的目的是确定故障的基准模式，诊断实施则包括信号检测，特征提取，状态识别和预报决策4个部分，如图7 所示。

图7 旋转机械故障诊断系统构成及功能简图

3.5 故障特征库（档案库）

为提高故障诊断准确性，本文描述的旋转机械故障诊断系统，其主要特征是基于不同机械部件类别建立不同的故障档案库，主要涉及风机、轴承、减速器3 类旋转机械，在系统中以典型故障类型对不同旋转机械的故障数据进行分类组织，分别建立各自的故障特征库。故障档案库的逻辑结构相同，如图8 所示。

图8 故障特征数据库逻辑结构

3.6 振动标准选择

系统的开发过程参照ISO 18436 标准，主要考虑该标准推荐用于设备诊断的事项有29 项，其在诊断工作建设上、检测手段使用上、采样测点设置上，以及评价判据的对比上，都有极好的借鉴意义，能够提高系统规范性。

4 系统应用

在软件开发的基础上，构建了基于不同机械部件类别的旋转机械故障诊断平台。平台主要包括分析工具选择模块和故障案例库模块2 部分，分析工具选择模块用于设备状态分析；故障案例库模块主要用于故障诊断。其中，根据不同设备类型选择分析方法并根据不同设备类型建立故障档案库有效提高了设备状态监测及故障诊断的准确率。

开发的软件平台对某钢厂炉卷轧机机组的芯轴减速器开展了频谱分析。如图9 所示，在垂直方向上软件平台监测到2 个非同步频率，同期对减速器进行了维护，消除了齿侧隙超标的设备故障隐患。

开发的软件平台对该钢厂炉卷轧机机组的轧机主传轴承开展冲击脉冲分析。如图10 所示，轴承的冲击脉冲值出现上升趋势，经过检修排查，明确是由于润滑油进水引起的故障，更换润滑油后消除设备故障隐患。

图10 轴承冲击检测示例

5 结语

本文基于不同设备类别，分类构建的旋转机械故障诊断系统实现了风机、减速器、轴承3 类旋转机械的设备状态检测和故障诊断功能，分类搭建提高了故障分析与诊断的准确率，对降低企业设备维护费用，提高设备服务生产的能力都具有显著作用和重大价值。