机器模型智能诊断方法在状态监测中的应用.pdf

Experience Exchange经验交流机械工业标准化与质量机器模型智能诊断方法在状态监测中的应用酒泉钢铁（集团）有限责任公司吴强机科发展科技股份有限公司口李红彬摘要振动监测是通过振动信号和频谱特征分析方法，可以评价机器的运行状态，萌0 0 9 第贸诊断机器故障，是当前最成熟、应用最广的预测性技术。介绍机器模型智能诊断方法，对机器进行建模，通过振动在线监测对工厂关键设备进行智能诊断故障特征参数（频率和频带）的状态监测，并把数据同步到云端，通过外部技术专家的指导和服务，对设备故障早发现、早诊断、早预防并及时解决，实现设备的全寿命周期管理。关键词振动监测故障诊断模型诊断状态监测预测维修云服务虽任晓喆动采集，保证了数据的及时性。模型诊断技术1引言就是在软件系统中输入机器或部件的参数进行在钢铁生产中，运行着大量的电动机、齿轮箱、风机等关键设备。通过振动监测可以诊断机器的故障，如转子不平衡、弯曲和偏心、轴不对中、轴承故障、联轴器问题、皮带和齿轮传动问题、松动、基础问题、共振、摩擦、流体激振问题、电动机转子和定子故障、电气问题等。2机器模型智能诊断技术利用振动仪器的频带能量监测方法或分析师利用软件在频谱中寻找故障频率可以评价轴承的问题，但是这种评价方法对于轴承故障状态的劣化发展和跟踪存在一定的局限性：一是特别依赖振动分析人员的专业水平；二是不能够做到及时的监控和预警。所以对于工厂关键的设备，利用传感器固定安装在设备端，通过数据采集系统把振动值传输给数据存储系统，保证数据一致性的同时，安装的在线数据采集硬件可实现定时或报警自建模，把每次的有效数据可自动对设定的模型参数进行提取，可自动地实现故障特征频率对应幅值的提取，并进行趋势显示，实现精密诊断的同时也可实现对故障劣化的趋势监测。如图1所示，建立了机器诊断模型的数据流，实现自动采集、自动存储、机器智能诊断、自动预警。模型结构：机器-部件-故障-特征参数。设备故障与机器或部件相关联，如转速，轴承型号，齿轮齿数，风机叶片数等，故障产生对应的特征频率，通过振动信号和频谱特征分析方法，可以在对应的振动数据中寻找对应的故障特征频率的幅值，幅值大小可以评价机器运行状态，诊断机器故障（如图2 所示）。如已知滚动轴承型号或轴承的机械参数，就可以得到轴承内圈，外圈，滚动体和保持架的特征参数，特征参数乘以轴的转速就可以计算出轴承的故障特征频率，在振动图谱中寻找对应特征频率及其谐波频率即可精密诊断轴承的故障。38经验交流Experience Exchange机器部件故障诊断模板库机器-部件-故障项-特征值机器诊断模型H/W数据采集/振动传感器处理/总值知识输人振动标准统计基线值数据分析状态报警，数据传输数据清洗监测分析特征提取故障报警数据库存储界面第三方工况参数/PLC:OPC,MODBUS转速、负荷.图1机器诊断模型的数据流mm/s RMS软件接口OPCAPI,OPC,MOTToverar381.63Hz23.013防次0.9164mmVsRMS1493.50Hz11.87Hz67.04790.060航次0.2794mm/sRMS0.6370mmV/sRMS1.1263mm/sRMS0.80.60.40.2Hz0根据不同特征下的振动图谱，在模型结构中定义出各种故障模型。如轴承内圈故障、外圈故障、滚动体故障、保持架故障、轴承高频、轴承低频、支撑松动、旋转松动；异步电机气隙偏心故障、转子健康、笼条松动、定子槽通过频率、槽谐波；电机轴不平衡、不对中、风扇叶片通过等故障模型。模型诊断方法提供多种幅值提取方法，如谱峰最大值，多谱峰有效值，边带谱峰有效值，中心谱峰+边带谱峰有效值，多频带有效值，中心PeaksRMS=VV12+V22+V3+V42+.+Vn（V 代表vibration振动值)Center&SB PeaksRMS=VC1?+SB11-?+SB11+.SB1x-+.SB1x+*+.+Cn*+.SBnx-?+SBnx+?(C代表center中心频率；SB代表sideband边频)200400600图2 机器故障特征频率指示谱峰+边频带有效值，中心谱峰与边带谱峰比值，以及自定义谱峰，频带和剩余能量值方法。不同的故障选用合适的方法提取有效的诊断值，如轴承故障可使用多谱峰有效值方法（如图3所示），对轴承的轴承内圈、外圈、滚动体和保持架的特征频率及其谐波幅值进行提取。齿轮故障使用中心谱峰+边带谱峰有效值方法（如图4所示）对齿轮啮合频率幅值及轴的转速频率幅值进行提取，评价齿轮的健康状态。模型诊断方法可在图谱中标出谱峰，辅助振动分析师分析诊断机器的故障。8001000120014001600机械工业标准化与质量2023.5 总第 6 0 0 期39Experience Exchange经验交流机械工业标准化与质量巢0 0 9 黛RMS(Peaks)&V2QV1图3多谱峰有效值方法RMS(Centers&SB Peaks)QC1SB11-SB11+SB1X-.SB12-0SB12+SB1x+图4中心谱峰+边带谱峰有效值方法3云服务振动在线监测是将传感器固定安装在振动测点上，数据采集硬件采集数据后将数据上传到工厂网络内的服务器，服务器安装振动在线监测系统软件对数据进行分析，对机器进行状态监测和故障诊断分析。随着软件技术的发展和云计算技术的普及，可以将采集数据同步发送到云端（如图5所示），实现在移动端的随时随地监测诊断。振动分析人员可以对监测系统设置、监测参数、报警阅值和诊断模型进行优化，当设备发生报警或异常，分析师可以及时响应，与现场工程师一起远程评估设备状态，分析设备故障并提供诊断和维修建议，跟踪现场处理或维修的效果。同时云服务也可以通过电子邮箱实现报警信息推送给相关设备维护人员，报告中包括报警的区域、机器、测点，报警等级和数据，报警标准阈值和相关建议，可使在线状态监测系统发挥最大的作用。手机端同步访问振动数据采集在线监测在线监测数据服务器图5振动数据同步到云端4轴承故障案例齿轮箱是关键的核心设备之一，设备一旦出&V3V4SBnl-SBn2tSBn-SBn2SBnx+.数据云端数据服务器电脑端访问现故障会严重影响生产，尤其是齿轮箱出现故障Vn维修起来具有时间周期长、维修费用高等特点，所以对该类设备的健康状态有效地掌握是非常有必要的。把电机和齿轮箱参数输入振动在线监测系统，建立模型诊断。QCn第一阶段：2 0 2 1年5月之前，设备振动总SBnl+值趋势正常，诊断模型提取值也正常。第二阶段：2 0 2 1年5月下旬，查看数据，速度值Vel（如图6 所示）和高频加速度值AcC（如图7 所示）正常。但查看模型智能诊断提取值趋势，发现齿轮箱S2轴底部轴承SKF22330趋势值存在上升趋势。智能诊断模型提取轴承的特征频率幅值：轴承内圈BPFI（8.8 38)，1 10阶次对应幅值的有效值（如图8 所示），通过模型辅助诊断功能，在图谱里面标注出对应的频率(图12)；外圈BPFO(6.163)，1 10 阶次对应幅值的有效值（如图9 所示），特征频率标注(图13)；滚动体BSF(2.644)，1 10 阶次对应幅值的有效值（如图10 所示），特征频率标注（图14)；保持架FTF（0.411），由于保持架特征频率小于5Hz，信号幅值误差较大，所以不提取。第三阶段：2 0 2 1年6 月之后缓慢劣化，到11月份时劣化趋势加快。此时轴承的智能诊断模型自动提取值趋势有明显的劣化，速度总值和加速度总值也有明显的变化，超过设定的报警线，触发报警值，云端自动发出报警邮件提示相关人员关注。在9 月底工厂依据振动分析师的报告，联系齿轮箱维修供应商，签订了维修合同并尽快采购轴承备件。第四阶段：2 0 2 1年11月到2 0 2 1年11月底。由于生产任务紧张，设备不能停机，只能结合现场观察并每天观察趋势值发展。11月2 540经验交流Experience Exchange日，振动总值趋势值（图6，7）和智能诊断模型提取值（图8，9，10）上升趋势加快，且齿轮箱油温也上升到超8 0，工厂紧急停机检查，发现S2轴底部轴承严重损坏（如图12 所示）。随即组织抢修，第二天轴承备件送达，进行安装mm/s RMS2更换，抢修耗时1.5天，然后试车投入生产，振动值总值趋势（图6、图7）和诊断模型提取值（图8 图10）基本恢复到了正常水平。第五阶段：2 0 2 1年11月底到2 0 2 1年12月，设备继续运行到整体大修。1.50.5-图6 速度Vel趋势值gP2.51.7541.5-Act-1.0180.5图7加速度Acc趋势值5Nem-02承-SKF22330E05-V06.VT-齿轮箱-轴2 顶部轴承-SKF22330E201-10-061321342021-1208122:342021-12:06 13:21.010.010.0400201-12.08 1021.342021.12.05 13.21.340.2Mo04VC4V-114V7201-12.15044101202112 18:0441:082371-17-15 604 47 4104V2221-12-1804-41.002021-12-1804.40.40RPM0.50.40.18440.190994.644V20212：16 0 4-10 8701-12-16-344102071-17-16 34 41 99RMS机械工业标准化与质量0.60.1D.0.1454图8 内圈故障值提取值趋势齿轮箱-轴2 顶部轴承-SKF22330E64V-2021-12-16:04:4100G4V2021-12-16:04:41:00G4V-2021-12-16:04:40.4104V2021-12-16:04:41:082021-12:16.04:40.40RPMmmARMS0.20.8图9外圈故障值提取值趋势0.060404V-0.0704 m4-V0.1844G4V.0.1900994.580.162021-12-16-04.41:082021-12-16 041:002021-12.18.04100.0334mm.80.4207 mx 8S9RMSRatic2023.5 总第 6 0 0 期.图10 滚动体故障值提取值趋势图11故障轴承41Experience Exchange经验交流机械工业标准化与质量mm/sRMS0.1-0.080.06-0.04-0.02mm/s RMS萌0 0 9 第贸0.1-0.8-0.06-0.04-0.02mm/s RMS0.1-0.08-0.06-0.04-0.02-在线监测系统通过智能诊断模型提前精准发现了轴承故障并预警，工厂提前采购备件和检修准备，及时地提醒相关人员关注振动总值和模型诊断提取趋势值曲线信息，给紧急停车检查提供数据支撑，避免齿轮箱可能会因轴承损坏引起严重的二次破坏。5总结基于模型智能诊断方法的振动在线监测，并频率标识2?180上期-SKF-32322?S20上0-SKF-2330一Mda.oHed.山501005010050100OveralA381.69Hz23.016前次0.0962mm/sRMSd.6M150200图12 内圈故障频率标注频率标识47S1上排SKF-3232S24上排SF-230Odedda0.2972,mm/sRMS2214支30 2300150200图13外圈故障频率标注频率标识2级20S10:上10-SF-3232S2上#-SKF-230内喝150200图14滚动体故障频率标注结合云端服务，能有效对工厂关键设备进行状态监测，提前发现设备的故障。实践证明这比单一的总值趋势更加灵敏，可提前6 个月发现设备的健康状态劣化。助力企业推进工业4.0 和数字化转型，工厂运营逐步向基于数据和信息的智能决策转变。在设备维护和可靠性管理方面，从事后维修、计划维修向预测性维修和主动维修方式转变。出PHz3504000.2972,mm/RMSOveralA38.69Hz2.:016附次0.0962mm/s RMSHz300350支球动OverlA381.69H223.016阶次0.0962mmm/sRMSHz支动300出P4000.2972,mm/sRMS350400(收稿日期：2 0 2 3-0 3-0 8)42