旋轉機械故障診斷技術在煉鋼設備中的應用研究

屈關濤 徐志豪 祁俊陽

【摘?要】旋轉機械廣泛存在于大中型機械裝置中，如汽輪機、燃氣輪機、離心式及軸流式壓縮機、泵、水輪機、發電機和航空發動機等。大中型旋轉機械一般安裝有振動監測保護和故障診斷系統，通常在旋轉機械關鍵點上安裝振動傳感器，采集關鍵點振動信息。通過對采集的數據進行時域、頻域、時頻域、小波變換、自相關等分析，能夠對旋轉機械進行故障診斷。但是這種方法需要工程師有足夠的經驗，且因機組數量多，人工分析費時費力。

【關鍵詞】旋轉機械;故障診斷技術;煉鋼設備

1旋轉機械故障的危害

鋼鐵企業在制造過程中非常頻繁地從事轉子葉片的工作，而鋼鐵生產活動則依賴于生產設備，該設備在制造過程中受到很大的磨損，因此容易受到機械故障的影響。為了實現更高的成本效益，部署的設備數量和利用率都在增加，但缺少適當的設備維修和修復，大多數設備不可維修，或者在出現故障后才可維修。此類維修可能對鋼鐵工業造成嚴重的經濟損害，從而導致鋼鐵工業的正常生產活動。

2時域特征提取

旋轉機械在狀態發生改變時，時域參數能夠反映其狀態變化。當旋轉機械發生故障時，可能出現沖擊，表現在時序圖中即是某些點遠遠超出其他點。常用的時域參數包括峰值、均值、方差、歪度、峭度、均方根值、波形指標、脈沖指標、峭度指標、歪度指標和裕度指標。

對于一組信號xi，i=1，…，n。有量綱的幅值診斷參數值會隨著故障的增大而不同程度增大，且其中峭度對探測信號中含有脈沖的故障最敏感。有量綱幅值診斷參數值也會因工作條件（如負荷、轉速、記錄儀器的靈敏度等）的改變而改變，實際上很難加以區分。通常希望幅值診斷參數對故障足夠敏感，而對信號的幅值和頻率的變化不敏感，即與機器的工作條件關系不大，為此引入了不受工作狀況影響的無量綱幅值參數。

3基于EMD樣本熵數據驅動的旋轉機械故障診斷研究

現代工業中的旋轉類機械設備普遍采用自動化、智能化的計算機控制系統，機械設備工作過程中的各種參數及運行數據會被實時地采集并存儲于系統之中，這些基礎數據是分析和診斷故障的基礎，數據驅動算法在故障診斷中的應用也是基于這些原始信號數據來實現的。由于旋轉類設備故障信號具有漸進性和非平穩性的特征，本文作者采用數據數據驅動算法中的EMD信號分析算法，在經典EMD算法基礎上優化處理，縮小閾值范圍及對原始含噪信號進行預處理和降噪，并對提取出的旋轉設備故障信號特征分析，最終完成對旋轉機械設備故障類別和嚴重程度的診斷。

4旋轉機械故障診斷中的智能化技術

專家檢測系統，專家系統是將煉鋼設備運行狀態的信息數據進行匯總處理，以豐富全面的專業知識為基礎，建立起可靠的運行數據庫。專家系統數據庫的建立主要是針對旋轉機械故障診斷，在故障發生時能夠為故障診斷提供可靠的數據信息，通過對照數據庫中的數據信息，判斷對方設備是否處于安全運行的狀態。如果煉鋼設備出現異常運行狀態，專家系統會采取停止設備運行和切斷電源等方式來確保設備的安全穩定運行。

5故障信號多域量化特征提取

在對旋轉機械設備故障的檢測和診斷中，提取故障信號的特征是判斷設備故障程度與故障類別的關鍵，數據驅動算法可以利用對故障信號特征大數據的分析，準確掌握旋轉機械設備的現行狀態，并做出準確的判斷。基于數據驅動算法的故障診斷，更側重于從多個視角掌握信號的動態特征，即從時域和頻域2個方面提取故障信號的細節特征，其中時域分析主要研究故障信號波形的變化情況及振動幅值的變化情況，而頻率特征更側重于研究信號頻率和能量分布的變化情況。經過信號的去噪預處理后，針對重構后的旋轉機械故障信號序列^x（t）而言，提取的信號時域特征指標包括標準差a1、偏斜度a2、峭度a3、均方根幅值a4。其中標準差指標主要描述故障信號偏離中心的程度，表達式為

偏斜度特征變量主要描述旋轉機械設備故障信號的偏斜方向與偏斜程度，表達式為

峭度和均方根幅值特征指標反映出了旋轉機械故障信號的分布特征，表達式為

旋轉機械故障信號的功率譜主要描述故障信號中的頻率成分，當信號頻率和能量分布發生變化時，功率譜的重心位置會發生偏移，且功率的分布更為分散;而當信號的頻率較為穩定時，能量分布和功率譜的分布更為集中，依靠對信號頻域特征的識別，可以描述出旋轉故障信號的類別及嚴重程度。描述信號頻域特征的指標包括重心頻率b1、均方頻率b2及頻率方差b3，其中指標b1和b2描述故障功率譜的變化趨勢及重心位置變化，令τi（t）為信號的頻譜，gti為第i條頻譜線的頻率值，則：

頻率方差特征量b3描述了故障信號功率譜及能量的分布情況，其表達式為

當旋轉機械設備發生故障時，信號的波形、頻譜和能量值都會出現明顯的變化，提取出故障信號的時頻域特征，利用小波包對包絡信號進行分解（假定故障信號為3層信號），信號分解的樹狀圖如圖1所示。

經過多層分解后故障信號的特征點更為明顯，可以根據故障信號特征與正常信號特征的差異區分信號的類別。系統去噪和特征分解后旋轉機械設備的信號系統仍處于一種無序狀態，因此引入樣本熵的概念，全面、準確地描述出信號特征值集合復雜度與有序性，經過對故障信號特征值的分類與決策，最終完成對旋轉機械故障的識別與判斷。

結束語

旋轉機械故障診斷技術在煉鋼設備中應用，能夠提高煉鋼設備故障維護的效率，確保煉鋼設備的安全穩定運行，從而提高煉鋼企業的生產效率和質量，通過將智能化自動化的故障診斷技術應用到旋轉機械故障診斷中，能夠有效地推動故障診斷技術的發展。

參考文獻：

[1]吳靜然，丁恩杰，崔冉，劉建華.采用多尺度注意力機制的旋轉機械故障診斷方法[J].西安交通大學學報，2020，54（02）：51-58.

（作者單位：河南工學院機械工程學院）