旋转机械故障诊断与预测维修技术分析

旋转机械故障诊断与预测维修技术分析

王森1汪涛2

1.长城汽车股份有限公司河北保定0710002.长城汽车股份有限公司河北保定071000

摘要：机械故障诊断和监测在工业生产中占有越来越重要的地位。机器设备尤其像大型的设备一旦发生故障，会造成十分严重的后果。为了提高生产装备的技术水平和经济效益，先进的设备管理、故障诊断和技术维修等，对于保证设备安全运行极为重要。企业必须积极采用方法，监测设备的正常转行状态。

关键词：转子不平衡；机械故障；故障诊断；偏心；松动；裂纹；碰摩

前言：

旋转机械如：汽轮机、发电机、离心压缩机、风机等，是工业部门中应用最为广泛的一类机械设备，在电力、能源、交通、国防及石油化工等领域发挥着无可替代的作用。随着科学技术的发展，旋转机械正在向大型化、综合化（在同一台设备中多种技术的应用）、连续化（从投料到产品整个过程的连续化）、自动化（操作、检测等的非人工化）、严格化（如技术指标严格化）的方向发展，造成设备构造复杂，零部件之间的联系更加紧密。在设备复杂化的同时，发生故障的潜在可能性和方式也在相应增加，且故障一旦发生，就可能引起连锁反应，导致设备甚至整个生产过程不能正常运行乃至破坏，轻则造成巨大的经济损失，重则导致灾难性的人员伤亡和社会影响。

1现行故障识别与诊断分析方法简介

当前，故障识别与诊断决策过程中采用的方法较多，按照它们隶属的学科体系，大体可分为三类：基于控制模型故障诊断、基于模式识别故障诊断及基于人工智能故障诊断。它们具体的诊断方式如下：

1.1基于控制模型的故障诊断对于一个旋转机械系统，若通过理论或实验方法能够建立其模型，则系统参数或状态的变化可以直接反映该系统及其动态过程，从而为故障诊断提供依据。基于控制模型的故障诊断方法主要涉及到模型建立、参数与状态估计和观测器应用等技术。其中，参数与状态估计技术是该方法的关键参数。估计的参数包含两类：

第一，系统参数，即描述系统动态特性的参数。基于系统参数估计的故障诊断方法与状态估计方法相比较，前者更有利于故障的分离，但是它也存在不足之处：求解物理元件参数很困难；系统故障引起系统模型结构和参数变化的形式是不确定的，目前还缺少有效的方法。

第二，故障参数，即用于描述系统出现的故障时信号自身特性的参数。其基本思想是：对故障系统构造适当形式的包含有可调参数的状态观测器，并使其处于零状态"当系统发生故障时，用观测器中的可调部分来补偿故障对系统状态和输出的影响，使得观测器在系统处于故障状态下仍然保持零状态观测误差，此时观测器中可调部分的输出即为故障参数的估计结果。使用该方法的优点是可对故障信号进行在线建模，但是当系统出现强非线性时，目前仍无有效算法。

1.2基于模式识别的故障诊断

故障诊断实质上是利用被诊断系统运行的状态信息和系统的先验知识进行综合处理，最终得到关于系统运行状况和故障状况的综合评价过。如果事先对系统可能发生的故障模式进行分类，那么故障诊断问题就转化为模式识别问题。当系统的模型未知或者非常复杂时，模式识别则为解决故障诊断问题提供了一种简便有效的手段。基于模式识别的故障诊断方法主要分为统计模式识别和句法模式识别两大类，它们在旋转机械故障诊断领域中得到广泛应用。基于BayeS分类器的统计模式识别法是旋转机械故障诊断中一种经典方法。

1.3基于人工智能的故障诊断

基于人工智能故障诊断的研究主要分为两类：基于知识（符号推理）的故障诊断和基于神经网络（数值计算）的故障诊断。首先，基于知识的故障诊断大致包含两种情况：基于浅知识的专家系统和基于深知识的专家系统。前者是以领域专家和操作者的经验知识为核心，通过演绎推理来获取诊断结果。其特点是利用领域专家的知识和经验为故障诊断服务，但是这种方法具有较大的局限性，如知识集不完备，过于依赖领域专家等。而后者则要求诊断对象的每一个环节具有明确的输入输出表达关系，诊断时首先通过诊断对象的实际输出与期望输出之间的不一致，生成引起这种不一致的原因集，然后根据诊断对象领域中的第一定律知识（具有明确科学依据知识）及其内部特定的约束关系，采用一定的算法，找出可能的故障源。它比前者具有更大的优越性，但其搜索空间大，推理速度慢。

其次，基于神经网络的故障诊断作为一种自适应的模式识别技术，人工神经网络以其全新的信息表达方式、高度并行分布处理、联想、自学习及自组织等能力和极强的非线性映射能力使它渗透到科学技术的各个领域。人工神经网络在机械故障诊断中的应用主要集中在三个方面：一是从模式识别角度应用神经网络作为分类器进行故障诊断；二是从预测角度应用神经网络作为动态预测模型进行故障诊断；三是从知识处理角度建立基于神经网络的诊断专家系统。如采用径向基函数网络、概率神经网络和自适应特征映射网络作为分类器对旋转机械故障进行研究。

2旋转机械故障的预测维修技术

从旋转机械故障的振动频率中可以看出，一种频率特征可能对应着几种故障源。因此，在进行故障诊断和状态分析时，要尽可能地收集各种状态参数并进行统计和信号处理，根据获得的数据进行故障的诊断和分析。旋转机械约有70%的故障是由于转子不平衡引起的，因此机械不平衡的检测及分析是保证设备安全运行极为重要的工作。如果能够对设备的运行状况进行在线的监测与诊断，做到“预知维修”，设备故障的诊断效率就会大大提高，并节约企业成本。在这方面，人工智能技术做了很大的贡献，尤其像专家诊断系统、模糊控制、人工神经网络以及知识工程等方面，都在诊断领域得到了发挥和应用，使故障诊断智能化和自动化。故障诊断专家系统主要由知识库，数据库，人机交互界面，推理机组成，及其他处理模块为辅。应用故障诊断的专家知识和推理方法为实质作用，判断故障种类，采集数据，并找出相应的解决方法。确定故障的类型及部位。

旋转机械故障预测并非是一件轻而易举的事，它是旋转机械状态监测中最复杂、最困难的一环。要正确地判断机器的故障类型及部位，首先，要了解机组的内部结构和工艺情况；其次，为每台机器建立档案，即原始数据库，它包括频谱、相位、波形、轴心轨迹、位移量等振动参数以及工艺操作参数。阶段性比较分析，注意振动信号的变化情况和趋势。再者，尽量多地捕捉振动信息，从频谱、轴心轨迹、相位和波形等多方面综合分析。

结语：

综上所述，旋转机械故障种类繁多，在将进行振动测试排除故障之前，要对偏心、松动、碰摩、裂纹等进行分析，并采取相应的措施以保证机器设备的正常运转。若以频谱分析法作为检修的主要依据，那设备检修的计划性和目的性将大大增强，从而提高生产率。如建立专家系统，可实现机械设备的智能化自动化监测故障，预测维修，减少停机，保证设备的正常运行，降低维修人员的工作量。

参考文献：

[1]朱亮，向家伟，宋宜梅.旋转机械常见故障诊断的非线性动力学研究综述[J].装备制造技术，2010，（01）.

[2]吴轲，童敏明，童紫原，邓世建.旋转机械不平衡故障专家诊断系统的研究[J].煤矿机械，2010（09）.

[3]王宇飞，谢永鹏.旋转机械转子不平衡故障的诊断与分析[J].湖南工业职业技术学院学报，2009，（05）.

[4]李鑫，罗学科，张朝英.旋转机械故障诊断实验专家系统[J].装备制造技术，2009，（02）.