基于機器學習的大型擠壓造粒機組故障診斷預測技術研究

張建超，王立娜，王延楓，范大偉

（1.北京機械工業自動化研究所有限公司，北京 100120 ；2.內蒙古交通職業技術學院，內蒙古 024005；3.內蒙古蒙藥股份有限公司，內蒙古 028000；4.內蒙古天奇蒙藥集團有限公司，內蒙古 024000）

0 引言

擠壓造粒機是集機電儀一體的大型低速重載設備，其故障情況涉及齒輪、螺桿、油液等多方面因素，對其故障的預測診斷一直是行業的痛點和難點，本項目擬通過機器學習的方式，通過多源數據建模分析，研究擠壓造粒機故障預測及診斷技術。

1 擠壓造粒機組故障診斷預測技術概述

1.1 擠壓造粒機組概述

擠壓造粒機組是石化企業的核心設備，是將聚合物反應釜聚合出來的聚烯烴粉末狀聚合物變成幾何形狀規則的顆粒的裝置，擠出造粒的原理是將聚烯烴（聚乙烯、聚丙烯）原料與添加劑融合，經過濾處理后投入擠壓造粒機，通過高溫熔融、冶煉、過濾和擠出處理，再由水下切粒機將其加工為顆粒并隨刀具和模板中的流水帶出。

從結構上，擠壓造粒機一般由熔融齒輪泵、主電機、主齒輪箱、螺桿、切粒系統等組成，如圖1所示。

圖1 擠壓造粒機結構模型

1.2 擠壓造粒機組故障診斷預測技術研究的意義

關鍵機組設備故障的提前診斷預測，避免非計劃停車，是設備運維管理的首要目標。突發的設備故障造成的非計劃停車是影響生產的關鍵因素，給企業帶來的損失巨大，以某石化管理的8臺擠壓機為例，2020年1～10月份非計劃停車近800小時，以每小時50萬元的損失，直接經濟損失近4億元。因此研究擠壓造粒機設備故障在線診斷預測技術，提升設備運維水平，降低非計劃停車，直接經濟效益明顯，同時在線運維水平的提高也可以在降低維保人員、降低備件庫存等方面帶來效益。

2 擠壓造粒機組故障診斷預測技術現狀及趨勢

2.1 擠壓造粒機組常見故障

擠壓造粒機組作為連續高速運轉的設備，通過實際收集到的運行故障來看，其故障主要集中在齒輪箱、螺桿、軸承、電機等關鍵核心部件，具體表現為：

1）行星輪機組崩齒、斷齒、齒傷、齒面崩損；

2）軸承磨損、軸承內圈裂紋、軸承溫度高、軸向振動超標、軸向竄量偏大；

3）螺桿斷裂；

4）主電機反轉器損壞；

5）油液系統出現金屬磨損細屑；

6）筒體裂紋漏水、閥芯卡澀等。

2.2 當前故障診斷預測技術及不足

隨著設備自身診斷水平的提高及設備運行狀態監控技術的應用，目前大型擠壓造粒機組均具備運行狀態監控功能，通過監控關鍵運行參數的超差，結合實際經驗對故障進行診斷預測，同時，針對參數監控無法覆蓋的故障，如軸承裂紋、螺桿斷裂、齒輪箱漏油等，采取人工巡檢和定期檢修的方式進行判斷排查。如前文所述，擠壓機結構復雜，其故障的構成和表現均是多方面的，從現有診斷預測技術的實際效果來看，存在如下不足之處：

1）參數監測不完整，從傳感器加裝及數據采集情況來看，未有效覆蓋診斷預測所需運行信號；

2）分析判斷機械化、剛性，限于基于現有的參數指標分析判斷，缺乏參數的關聯分析、綜合分析；

3）人工巡檢及定期檢修的滯后性，人工經驗的局限性，缺少對故障的實時分析判斷及診斷預測，且定期停機檢修也是對生產時間的無效浪費。

2.3 故障診斷預測技術的改進方向

通過以上分析可以看出，由于擠壓造粒機自身結構的復雜，導致其運行故障具備多樣性，進而增加了故障診斷預測的難度，暴露了傳統診斷技術基于人工及簡單參數判斷的局限性。

從解決當前技術的不足入手，基于更多運行參數的綜合分析、實時分析成為故障診斷預測技術的改進方向，隨著計算機算力、大數據、人工智能等技術的發展，此方向的研究及實現成為可能，本文研究探討的即是基于機器學習的故障診斷預測技術。

3 基于機器學習的擠壓造粒機組故障診斷預測技術

3.1 故障預測分析流程圖

按照建模、數據采集、處理、分析的邏輯，設備故障預測分析的一般流程圖如圖2所示。

圖2 設備故障預測分析一般流程圖

其中，運行信號的采集，故障模型的建立及自學習，是本研究的關鍵。

3.2 故障類型與采集參數

通過分析擠壓造粒機的零部件構成、機理模型及常見故障情況，其故障類型及對應的相關采集參數如表1所示。

表1 故障類別與采集參數對照表

結合設備構成，其采集參數示意如圖3所示。

圖3 擠壓造粒機組運行參數采集模型

3.3 采集參數與對應傳感器選型

由于目前擠壓造粒機自身不完全具備相關運行參數的數據采集和輸出，需通過加裝傳感器的方式對相關數據進行采集，根據運行參數的特性，考慮實際可操作性，需加裝的傳感器選型如表2所示。

表2 采集參數與傳感器選型

3.4 故障預測模型建立與算法使用

針對擠壓造粒機的常見故障情況，本文建立的故障模型及相應的分析算法如下：

表3 故障模型建立與分析算法

3.5 電機故障預測實例分析

在以上針對設備機理模型、運行信號采集及分析模型建立的基礎上，本研究以某石化企業電機運行實際數據進行電機故障診斷預測分析，以驗證分析模型及研究技術的有效性。

數據集為從電機傳感器獲取的振動信號，采集間隔為2小時，采集頻率為2560Hz，單個樣本包含8192個數據點，原始數據集如圖4所示。

圖4 數據集樣本分布圖

從時域監測值可以看出，在11月1日2點采集的信號中出現異常值，然而在下一節點采樣時，異常值消失，初步推測，設備可能遭受沖擊，有間歇故障的可能。

對數據進行傅里葉變換，進一步分析如圖5所示。

圖5 頻率分析圖

如圖5所示，304Hz處能量升高，增幅達68.4%，隨后又下降至正常水平，在15%水平浮動，結合故障頻率304Hz，與基頻的整數倍比較接近，初步判斷可能是旋轉部件出現故障，經與廠家確認，該泵垂直振動烈度上升0.5。

進一步對數據進行CEEMD分解及MED降噪，如圖6所示。

圖6 信號數據處理及結果圖

CEEMD分解將信號按數據本身尺度進行自適應分解，剔除冗余IMF分量后再對信號進行重構，提高信號的信噪比，在此基礎上，利用MED降噪，進一步提純信號，從后續功率譜圖可以看出，特征頻率更加突出。

進一步對信號求取功率譜密度，與頻譜分析得到了相似的結論，如圖7所示。

圖7 功率譜密度圖

通過以上分析，初步斷定2020年11月1日2時電機出現了間歇故障，特征頻率為304Hz，此結論與廠家記錄的設備實際運行情況相吻合，驗證了該分析技術的有效性。

4 結語

以上僅以電機運行故障診斷預測為例，驗證了基于數據樣本、機器學習的設備故障診斷預測技術，從本文的研究內容來看，應用該技術對齒輪箱、軸承、螺桿等故障進行分析預測，進而形成擠壓造粒機綜合預測模型，可實現對大型擠壓造粒機組運行故障的在線診斷及預測。