一種基于應(yīng)急模式的旋轉(zhuǎn)機(jī)械故障分析方法研究

申 瑤 王 菲 王彥昕 李學(xué)哲 花忠旭

（1.華北科技學(xué)院應(yīng)急裝備學(xué)院，河北 廊坊 065201；2.河北省礦山設(shè)備安全監(jiān)測(cè)重點(diǎn)實(shí)驗(yàn)室，河北 廊坊 065201）

0 引言

為了保障設(shè)備安全可靠運(yùn)行，提高其經(jīng)濟(jì)社會(huì)效益，基于振動(dòng)分析的故障診斷技術(shù)一直都是安全生產(chǎn)領(lǐng)域的研究熱點(diǎn)[1-2]。

目前，機(jī)械設(shè)備故障診斷技術(shù)已經(jīng)取得了長(zhǎng)足發(fā)展，相關(guān)研究成果也對(duì)保障設(shè)備安全可靠運(yùn)行發(fā)揮著積極作用[3-5]。

譚丕成等人[6]提出一種基于多源信息融合的振動(dòng)頻率測(cè)量方法，采用基于互相關(guān)的多源融合算法，將多路傳感器信號(hào)進(jìn)行融合重構(gòu)，提高振動(dòng)信號(hào)的測(cè)量精度；彭文季等人[7]應(yīng)用最小二乘支持向量機(jī)和信息融合技術(shù)對(duì)水電機(jī)組的振動(dòng)故障進(jìn)行診斷，實(shí)現(xiàn)了水電機(jī)組典型機(jī)械故障的快速有效識(shí)別；楊濤等人[8]提出了一種基于時(shí)間信息融合的振動(dòng)故障診斷方法，以小波分析和概率模型為分析手段，定義了故障度，能夠有效區(qū)分故障類別，提高故障診斷準(zhǔn)確性。

但是經(jīng)濟(jì)社會(huì)的進(jìn)步特別是國(guó)家應(yīng)急管理事業(yè)的發(fā)展，對(duì)機(jī)電設(shè)備的風(fēng)險(xiǎn)管控、安全預(yù)警提出了更高的要求[9]。因此，在新形勢(shì)下，開(kāi)展機(jī)械故障診斷新方法研究，進(jìn)一步提高故障分析的智能化水平尤為必要，本文研究了基于應(yīng)急模式的旋轉(zhuǎn)機(jī)械故障分析方法，具有重要意義和價(jià)值。

1 應(yīng)急模式下的故障預(yù)警策略

1.1 應(yīng)急檢測(cè)模式的內(nèi)涵

應(yīng)急檢測(cè)模式是一種全新的智能檢測(cè)模式，通過(guò)利用現(xiàn)代傳感技術(shù)提高測(cè)量的精度和適應(yīng)性，采用智能數(shù)據(jù)分析算法提供強(qiáng)大的邊緣計(jì)算能力，以通信信息平臺(tái)為支撐，運(yùn)用大數(shù)據(jù)、人工智能、云計(jì)算等前沿技術(shù)深入挖掘監(jiān)測(cè)數(shù)據(jù)價(jià)值，將數(shù)據(jù)轉(zhuǎn)換為有效信息，實(shí)現(xiàn)一體化融合預(yù)警聯(lián)動(dòng)[10]。應(yīng)急檢測(cè)模式具有靈活、精確、智能、互聯(lián)等技術(shù)特征。

圖1為基于應(yīng)急模式的故障監(jiān)測(cè)系統(tǒng)典型結(jié)構(gòu)，系統(tǒng)由智能振動(dòng)檢測(cè)器、邊緣計(jì)算平臺(tái)、顯示與預(yù)警單元、云端數(shù)據(jù)服務(wù)器等四部分組成，采用智能傳感、邊緣計(jì)算、無(wú)線網(wǎng)絡(luò)等技術(shù)，解決數(shù)據(jù)采集、分析、預(yù)警聯(lián)動(dòng)問(wèn)題。

圖1 基于應(yīng)急模式的故障監(jiān)測(cè)系統(tǒng)

1.2 基于應(yīng)急模式的故障預(yù)警策略

分布式安裝于現(xiàn)場(chǎng)的智能振動(dòng)檢測(cè)器負(fù)責(zé)采集規(guī)劃測(cè)點(diǎn)的位移、溫度和振動(dòng)數(shù)據(jù)，分別為形位類故障、溫升類故障和振動(dòng)類故障的診斷和預(yù)警提供高精度、可靠的原始測(cè)量數(shù)據(jù)。基于應(yīng)急模式的故障預(yù)警流程如圖2所示。

圖2 基于應(yīng)急模式的故障預(yù)警流程

1.2.1 基于邊緣計(jì)算的故障預(yù)警策略

在邊緣側(cè)，基于采集的各類測(cè)量數(shù)據(jù)，利用基于邊緣計(jì)算的數(shù)據(jù)分析方法和時(shí)域/頻域算法，就近識(shí)別故障并實(shí)現(xiàn)快速預(yù)警保護(hù)。各類故障首先會(huì)引起振動(dòng)信號(hào)頻譜結(jié)構(gòu)變化，分析頻譜圖中各次頻率分量的數(shù)量、分布、幅度等的變化，計(jì)算總諧波畸變率THD，可以快速識(shí)別設(shè)備故障。機(jī)械故障的嚴(yán)重程度往往反映在振動(dòng)的強(qiáng)度上，在振動(dòng)信號(hào)頻譜結(jié)構(gòu)相對(duì)穩(wěn)定的情況下，振動(dòng)越強(qiáng)，表明故障的危害性越大，當(dāng)振動(dòng)強(qiáng)度達(dá)到規(guī)定閾值時(shí)，必須預(yù)警并保護(hù)輸出。合理設(shè)定振動(dòng)的正常值、報(bào)警值和停機(jī)值范圍是實(shí)現(xiàn)故障分級(jí)預(yù)警的關(guān)鍵。

1.2.2 基于云計(jì)算的故障預(yù)警策略

在云端，采集的各類測(cè)量數(shù)據(jù)自動(dòng)上傳云端服務(wù)器，運(yùn)用大數(shù)據(jù)、人工智能等新技術(shù)進(jìn)一步挖掘數(shù)據(jù)價(jià)值，將測(cè)量數(shù)據(jù)轉(zhuǎn)換為有效信息，如趨勢(shì)、壽命等，為數(shù)據(jù)融合與預(yù)警聯(lián)動(dòng)提供支撐。

2 基于改進(jìn)FFT的振動(dòng)頻譜分析方法

目前，傅里葉變換技術(shù)已經(jīng)取得了長(zhǎng)足進(jìn)步，常見(jiàn)的傅里葉變換方法有很多。離散傅里葉變換（DFT）時(shí)域和頻域都是離散化的，便于計(jì)算機(jī)處理和計(jì)算，但其計(jì)算量非常大，難以滿足實(shí)時(shí)監(jiān)測(cè)需求；快速傅里葉變換（FFT）將多點(diǎn)DFT分解成兩點(diǎn)DFT的組合，從而大大減少了計(jì)算量，優(yōu)化了算法效率，但FFT只能分析一段信號(hào)整體的頻域特征，缺乏時(shí)頻定位功能，適合頻域特征不隨時(shí)間變化的平穩(wěn)信號(hào)[11]；隨著技術(shù)的發(fā)展，出現(xiàn)了離散時(shí)間傅里葉變換（DTFT），通過(guò)窗運(yùn)算分析信號(hào)頻譜隨時(shí)間變化規(guī)律，消除了傅里葉變換的時(shí)頻分辨局限[12]，適用于時(shí)變或非平穩(wěn)信號(hào)分析。

應(yīng)急監(jiān)測(cè)對(duì)算法的可靠性和效率提出了極高要求，考慮到旋轉(zhuǎn)機(jī)械振動(dòng)的內(nèi)在固有規(guī)律，本文對(duì)快速傅里葉變換方法進(jìn)行了改進(jìn)，以適應(yīng)應(yīng)急情況下振動(dòng)監(jiān)測(cè)與安全預(yù)警的需求。

對(duì)于長(zhǎng)度為N的時(shí)域序列{z（i）}，N為2的整數(shù)次冪，離散傅里葉變換的數(shù)學(xué)定義如下[13]：

式中：m=0，1，…，N-1。

FFT時(shí)間抽取算法的基本思想是把{z（i）}分解成一系列的短序列，然后利用DFT計(jì)算式（1）中指數(shù)因子的周期性和對(duì)稱性簡(jiǎn)化運(yùn)算，最終通過(guò)短序列求解與組合得到原始N點(diǎn)序列的傅里葉變換結(jié)果{Z（m）}。

時(shí)域數(shù)據(jù)的長(zhǎng)度和序列對(duì)FFT至關(guān)重要。數(shù)據(jù)的選擇受諸多因素限制，如信號(hào)采樣率Fs、頻率分辨率Fr、FFT變換時(shí)間Tt等。

式中：Ns為采樣長(zhǎng)度。

由式（2）可知，為提高算法的頻率分辨率，必須增大采樣長(zhǎng)度，然而采樣長(zhǎng)度增大會(huì)降低算法的動(dòng)態(tài)特性。為了解決頻率細(xì)分與算法實(shí)時(shí)性的矛盾，定義窗長(zhǎng)度：

由公式（3）可知，合理選擇窗長(zhǎng)度可以縮短FFT變換時(shí)間，從而保證算法的實(shí)時(shí)性。

依據(jù)旋轉(zhuǎn)機(jī)械的振動(dòng)特性，采樣數(shù)據(jù)序列可由窗采樣數(shù)據(jù)周期性填充補(bǔ)足，通過(guò)優(yōu)化選擇數(shù)據(jù)序列，解決了FFT算法頻率細(xì)分與實(shí)時(shí)性的矛盾。本研究中，參數(shù)優(yōu)化結(jié)果為Fs=2 000 Hz，F(xiàn)r=0.1 Hz，Tt=1 s，Nw=2 000，Ns=20 000。

3 實(shí)驗(yàn)與分析

利用MATLAB軟件對(duì)本文提出的改進(jìn)FFT算法進(jìn)行實(shí)驗(yàn)研究，相關(guān)參數(shù)按照前文的優(yōu)化結(jié)果設(shè)置。

3.1 標(biāo)準(zhǔn)振動(dòng)信號(hào)的頻譜分析

利用振動(dòng)檢測(cè)器采集標(biāo)準(zhǔn)振動(dòng)源信號(hào)，如圖3（a）所示，振動(dòng)位移峰峰值Spp=1.8 mm，頻率Freq=160 Hz，并進(jìn)行頻譜分析，結(jié)果如圖3（b）所示。結(jié)果表明，采用改進(jìn)FFT算法，能夠有效提取標(biāo)準(zhǔn)振動(dòng)信號(hào)的頻域特征，該振動(dòng)信號(hào)不是理想的正弦信號(hào)，其頻譜成分包括直流分量、基頻分量和2倍頻分量，基頻為160 Hz，頻譜分析結(jié)果為振動(dòng)評(píng)價(jià)和故障預(yù)警奠定了基礎(chǔ)。

圖3 標(biāo)準(zhǔn)振動(dòng)信號(hào)的頻譜分析

3.2 設(shè)備振動(dòng)信號(hào)的頻譜分析

分別采用常規(guī)FFT算法和改進(jìn)FFT算法處理某型機(jī)械設(shè)備的實(shí)際振動(dòng)數(shù)據(jù)，得到如圖4所示的振動(dòng)頻譜。

圖4 設(shè)備振動(dòng)信號(hào)的頻譜分析

由圖4可知，兩種算法提取的振動(dòng)頻譜具有較好的吻合度，改進(jìn)FFT算法在保證精度和可靠性的前提下，將變換時(shí)間Tt由10 s減小到1 s，有效提高了算法的實(shí)時(shí)性，可以滿足應(yīng)急模式下故障預(yù)警的需求。

4 結(jié)論

隨著經(jīng)濟(jì)社會(huì)的進(jìn)步，各行各業(yè)對(duì)機(jī)械設(shè)備的風(fēng)險(xiǎn)管控、安全預(yù)警提出了更高的要求。為提升旋轉(zhuǎn)機(jī)械故障分析的智能化水平，本文研究了一種基于應(yīng)急模式的機(jī)械故障分析方法，具體包括：

1）闡明了應(yīng)急檢測(cè)模式的內(nèi)涵，分析了應(yīng)急模式下故障預(yù)警的策略。

2）提出了改進(jìn)FFT振動(dòng)頻譜分析方法，解決了頻率細(xì)分與實(shí)時(shí)性的矛盾，有效提高了算法的動(dòng)態(tài)特性。

3）實(shí)驗(yàn)驗(yàn)證了該方法的有效性，改進(jìn)FFT算法在保證精度和可靠性的前提下，有效提高了算法的實(shí)時(shí)性，可以滿足應(yīng)急模式下故障預(yù)警的需求。