基于全息譜的機組狀態評估及故障診斷

蔡國娟

（中國石油化工股份有限公司天津分公司，天津 300271）

傳統的振動信號處理主要是采用以快速傅氏變換（FFT）為核心的經典振動信號處理分析方法，包括時域分析、頻譜分析、相關分析、倒頻譜分析、包絡分析等。這些分析方法存在著兩方面的不足，首先這些方法將幅值和相位分離，甚至完全忽略了相位信息，致使診斷中丟掉了很多有用的信息；其次，這些方法都是孤立的去分析兩個方向的振動信號，沒有考慮它們之間的內在聯系，往往難以得出可靠、準確的診斷結論。對于故障與信號特征之間的關系多是建立在單通道信息上，雖然也有一些截面雙通道的分析方法，但對于信息的融合量還不能完全適應準確診斷故障的要求。以全息譜技術為核心，構建一整套信號分析和故障診斷技術，在充分融合設備振動信息的基礎上，能夠快速、準確區分診斷石化行業大型設備的常見故障，同時對相似故障和復合故障也有很強的區分能力。

1 機組狀態評估方法

采用二維全息譜的融合參數信息結合模糊分類技術的方法對機組進行狀態評估。主要原理如下：

設轉子截面兩個信號中的i階次分量為：

式中，αi，βi分別為i階初相位；Ai和Bi為i階幅值；ω為旋轉角頻率，第i階全息譜以向量方式表示為。式(1)可進一步表示成如下形式：

sx 和cx、sy 和cy 分別代表構成二維全息譜的正弦和余弦系數。當t=0 時，對應的點[cx，cy]叫做二維全息譜的初相點，通過全息譜橢圓初相點的變化也可以反應機組運行狀態的變化。基于上述，以構造二維全息譜的正、余弦系數為基本參數，采用遺傳編程的方法構造復合指標，選擇其中一組指標如下：，Hi可取為

式中，iH為構造的復合指標。iH綜合了全息譜構成的所有信息，比傳統的單一指標的分類能力更強。aH,rH,sH表示對應區域里的全息譜的復合指標的最大值。接著采用模糊分類基本原理，從能量的角度出發，將譜型在相應的全息譜圖上分為3個區域，如圖1 所示。其中AH域—低頻區域；RH域—工頻區；SH域—高頻區域。

圖1 全息譜的3個域劃分

利用iH用來指代式（3）中的aH,rH,sH，根據這3個區域上aH,rH,sH的大小及相對關系定義轉子振動的7 種標準樣本，如圖2 所示。

圖2 全息譜的模糊分類

2 機組故障診斷方法

通過全息譜參數結合概率神經網絡來實現機組的智能診斷。根據全息譜能可靠地反映機組振動情況的特點，來獲取振動信號的特征量的，將故障數據進行全息譜分析后的特征量作為權向量對神經網絡進行訓練，將診斷數據進行全息譜分析后的特征量作為網絡輸入，這樣的神經網絡訓練速度快，同時又通過貝葉斯判定策略對機組故障類別進行合理判定。

為了便于進行旋轉機械的故障智能診斷，必須對轉子的故障進行科學的分類。同時，振動信號的采樣點數都比較多，直接將時域樣本輸入神經網絡顯然不大可行，我們需要借助諸如FFT、全息譜等信號處理手段，從信號中提取某些時域或頻域特征，應用這些特征來進行診斷。借助先進的信號分析方法，包括時頻分析和全息譜等方法，可將轉子的常見故障分為14 種模式，各種故障及其對應的識別特征列如表1 所示。

表1 旋轉機械常見故障分類及特征

這些識別特征總的來說可以分為3 類，第一類包括表1 中的故障1 ～7，這一類根據與回轉頻率有關的某些頻率成分全息橢圓的大小、偏心率、旋向、偏斜角等特征來判定；第二類為表1 中的故障8 ～10，這類根據某些特定頻率的全息橢圓的特征來判定；第三類包括喘振、流體激勵、氣封磨損和支座松動，這4 種故障在頻域內的特征均為低頻區存在有色噪聲帶，采用頻域特征分析的方法很難將它們區分開來，但其低頻濾波軸心軌跡呈現出不同的特征，由時域分析技術可知，低頻濾波軸心軌跡的復雜性可反映在垂直、水平方向的波形分布參數上，因此通過低頻段波形的時域統計特征值的方法來進行判定，具有很好的效果。

3 案例分析

某烯烴部裂解氣壓縮機組，汽輪機驅動端測點V2052X/Y 出現間歇式振動波動，每次振動波動過程持續5 ～15 分鐘，隨后恢復到原來的穩定運行狀態，但振動波動的最大幅值有逐漸增長的趨勢，嚴重影響該機組的安全運行。選取具有代表性的時刻，即振動達到峰值時刻進行狀態評價及故障診斷。V2052X/Y 截面測點在該時刻數據的狀態評估結果和神經網絡診斷結果圖如圖3 和圖4 所示。機組該測點的狀態應當歸于RH類，機組運行狀態一般，故障診斷結論如表2 所述。

圖3 V2052X/Y 截面測點該時刻的狀態評估結果

圖4 V2052X/Y 截面測點該時刻的神經網絡診斷結果圖

表2 故障智能診斷結論

根據以上機組狀態評價及故障診斷結論，可以確定蒸汽透平頻繁地出現振動波動，主要是由于動靜件發生摩擦，而且極有可能是氣封或油封發生磨損，同時伴有異物進入轉子所致。

4 故障檢查

機組停車檢修開蓋后發現透平蒸汽室一個角環易損壞，并有部分碎屑進入透平過流部件，轉子兩端的油封結垢比較嚴重，圖5 為透平驅動端軸封結垢情況。機組更換結垢的油封開車后，在整個開車過程中蒸汽透平機組振動幅值正常，趨勢平穩。運行至今，透平未再出現振動波動現象，運轉狀況良好。

圖5 透平驅動端油封結垢情況

5 結語

采用全息譜結合模糊分類方法對機組的運行狀態進行評價；全息譜結合概率神經網絡技術實現對機組故障的智能診斷。通過一些特征譜圖快速診斷了此次異常故障的原因。機組檢修開蓋后，驗證了前期診斷的準確性。