旋轉機械的故障預測方法綜述

馬 潔 徐小力 周東華

(北京信息科技大學現代測控技術教育部重點實驗室1，北京 100192;清華大學自動化系2，北京 100084)

0 引言

旋轉機械是指主要功能由旋轉動作來完成的機械，尤其是指轉速較高的機械。它分為動力機械(渦輪機、壓縮機、齒輪泵等)、過程機械(離心式分離機等)和加工機械(車床、磨床等)。轉子－軸承系統作為旋轉機械的核心部件，在電力、能源、交通、石油化工以及國防等領域中發揮著無可替代的作用［1］。旋轉機械常常由于出現各種不同形式的故障而影響其正常運轉，嚴重時，甚至會引發機毀人亡事故，造成重大經濟損失。隨著科學技術的進步，旋轉機械正向高速、重載和自動化方向發展。因此，對速度、容量、效率和可靠性等方面有著越來越高的需求。

從旋轉機械的檢修歷史和現狀來看，檢修方式大致分為發生事故停機檢修、定期停機檢修(預防性維修)、預測維修(狀態維修或視情維修)這幾種。據有關文獻介紹，在設備上應用故障預測技術，獲利與投資比可達17∶1。因此，世界各工業國家的設備維修體制正從預防性維修向預測維修發展。

1 故障預測方法的分類與比較

1.1 預測維修的意義

煙氣輪機將催化裂化過程中產生的廢煙氣中所具有的壓力能和熱能經煙氣輪機的膨脹做功化為機械能，驅動軸流式空氣壓縮機或給發電機提供動能，達到能量回收的目的。美國研制的世界上第一臺煙氣輪機于1963年投入生產運行，中國第一臺自主創新的煙氣輪機于1978年成功投入運行。30多年來，我國累計生產的煙氣輪機總共節電約275×108kW·h，價值約合人民幣138億元，經濟效益非常可觀［2］。然而，煙氣輪機的運行環境非常惡劣，轉子磨損、催化劑粉塵堆積、殼體變形和儀表失靈等都有可能導致故障的發生。

國內大多數煉油廠的煙氣輪機幾乎都發生過嚴重事故。例如，中石化集團公司曾經1年中就有39臺煙氣輪機因故障停機達51次，停機時間累計9014 h，損失巨大。此外，煙氣輪機通過回收利用廢煙氣，在環保方面也發揮著舉足輕重的作用。因此，保證煙氣輪機的平穩正常運行成為了煉化企業的重要工作之一。目前，采用的維修策略基本上都是預防性維修，即“定期大修”體制，煙氣輪機一般不到一年就要大修一次。煙氣輪機的預測維護能夠按照狀態監測情況及時準備維修部件，安排維修計劃。其完善的診斷能力可準確指出故障類型和故障部位，避免了維修的盲目性，縮短了維修工期，可減少災難性事故的發生，提高催化裂化裝置的安全運行率，從而帶來可觀的經濟和社會效益。

1.2 故障預測方法的分類

預測維修的關鍵技術是故障預測，缺乏有效的故障預測方法已成為推廣預測維護技術的一個瓶頸。故障預測方法整體分為兩大類，即定性分析的方法和定量分析的方法［3］。現有的旋轉機械故障預測方法分類如圖1所示。

圖1 故障預測方法分類Fig.1 Classification of fault predication methods for rotating machinery

基于數據的方法包括自回歸預測［4］、灰色預測［5］、多層遞階方法［6］、混沌時間序列預測［7］、隱馬爾科夫模型［8］、機器學習(神經網絡［9］、支持向量機［10］)和統計過程監控方法等［11］。旋轉機械的機理模型難以建立，同時專家知識也難以獲取，這些都不利于我們對旋轉機械進行故障預測。基于數據的方法完全從工業現場數據出發，挖掘數據中的隱含信息，具有廣泛的工程應用價值。這類方法適用范圍最廣、成本最小。因此，基于數據的方法最為實用，它已成為故障診斷與預測領域的研究熱點和發展趨勢。

基于模型的方法包括基于濾波器的故障預測方法以及基于故障機理建模的方法等［12－13］。這類方法具有深入對象本質性質的特點，能夠很好地跟蹤系統的變化趨勢。當對象的數學模型準確時，能得到準確的故障預測結果。但工程上針對復雜的動態系統難以建立精確的數學模型，因此，這類方法的適用范圍最小、成本最高。

基于知識的方法包括專家系統和模糊邏輯等［14－15］。這類方法的優勢是能夠利用現有的專家知識和經驗，而不需要已知非常精確的數學模型。因此，它在很多領域得到了廣泛應用。但是此類方法的不足是知識獲取較困難。

旋轉機械基于數據、基于知識和基于模型的方法在適用性范圍、成本和準確度等性能方面的比較如圖2所示。

圖2 方法性能比較Fig.2 Performance and methods comparison

2 難點問題與展望

盡管針對旋轉機械的故障預測技術取得了許多成果，但是尚存在以下難點問題有待進一步加以解決。

2.1 多變量預測問題

對旋轉機械而言，振動信號中蘊含著豐富的設備運行狀態信息，并且振動信號對大多數機械故障都很敏感。故障會引起振級的增加，至少是振動特征的改變。這表明振動信號是反映旋轉機械工作狀態和故障演化情況的一個極其重要的參數指標。現有的方法主要利用單變量的振動信號來預測旋轉機械的運行狀態。然而，僅采用單變量進行故障預測顯然是不合理的。例如，對煙氣輪機而言，機組的煙氣入口和出口的溫度、壓力，煙氣輪機、聯軸器、發電機的振動以及連接軸的軸向位移等都是表征機組正常運行與否的重要參數。為了能夠掌握機組的運行狀況，在機組上相應位置安裝了溫度、壓力、鍵相和振動等傳感器進行監測，從而為診斷和預測提供數據。

煙氣輪機機組測點布置如圖3所示。

圖3 機組測點布置Fig.3 Allocation of measurements

常見的基于單變量振動數據的狀態預測技術無法利用多維測量數據的有效信息，難以檢測性能退化初期微弱的故障征兆。為了處理多個相關測量變量的聯合監測問題，人們于20世紀90年代初期使用主元分析模型(principal component analysis，PCA)和偏最小二乘模型(partial least squares，PLS)進行數據建模，并提出了相應的過程監控方法。多變量預測可以把同一時刻的測量數據中多個變量間的內在聯系和相互影響考慮在內。例如，Li等人將統計過程監控方法用于故障預測，取得了很好的效果。目前，國際上基于多變量數據的故障預測方法的研究才剛剛起步，成果相對較少。因此，研究多變量數據驅動的旋轉機械故障預測方法具有廣泛的發展空間。

2.2 非線性和非平穩問題

旋轉機械系統是一類復雜非線性動力系統。從工程中所獲得的設備運行狀態的動態信號，其平穩性是相對的、非平穩性是絕對的和廣泛的。旋轉機械運行的狀態特征信息具有非線性、非平穩特性，導致其故障預測面臨著大量復雜的非線性、非平穩動態信號，需要用到非線性的數據模型，例如，核主元分析(kernel principal component analysis，KPCA)等。傳統的數據模型多假設測量變量的分布是多元高斯分布，這與實際數據不相符合，需要用非高斯的數據模型，例如，獨立主元分析(independent component analysis，ICA)。隨著故障檢測和預測要求的日益提高，原可忽略的非線性和非高斯問題越來越突出。因此，研究基于非線性和非高斯數據模型的旋轉機械故障預測方法具有重大的現實意義和應用價值。

2.3 網絡化預測問題

旋轉機械故障預測還存在對象數據獲取和算法驗證困難等問題。故障預測算法的開發和驗證工作都離不開大量對象系統數據的支持。數據來源一般概括為三類:一是實際工況數據，此類數據可以涵蓋已知對象各種工況、負載和環境因素，數據真實可靠，但需要構建數據獲取平臺;二是基于實驗臺的故障注入實驗數據，此類數據的真實性可以在一定程度上得到保證，不足之處在于它不能完全描述對象實際故障演化過程;三是模型仿真數據，此類數據可以按照算法開發和驗證要求進行定制，但其數據真實性通常無法保證，而且難以建立可靠的仿真模型。為了保證所采用的故障預測方法能夠達到預期的目標，需要對其進行驗證。通常采用的仿真驗證難以取得令人信服的驗證結果;而進一步采用的實驗臺模擬實驗驗證，也與實際應用環境有較大差距。較有效的解決途徑是構建在線數據交互平臺。

自2007年以來，北京信息科技大學現代測控技術教育部重點實驗室建立了大型機械設備RMD8000遠程在線監測診斷中心。該中心與國內石化、冶金、煤炭等50家大型企業的近200臺大型機械設備互聯，可進行工業現場大型機組的實時數據分析、實驗研究和方法驗證，還可在線提供機組早期故障預測分析結果，并能夠及時將數據反饋給企業用戶。

隨著物聯網技術的興起，可進一步構建一種在線實時的故障預測與健康管理(prognostics and health management，PHM)的物聯網平臺，實現對旋轉機械遠程狀態的監測、故障診斷和故障預測。

3 結束語

本文以煙氣輪機為例闡述了工業過程預測維護的意義和重要性，并將現有的旋轉機械故障預測方法依據定性分析的方法(基于知識的方法)和定量分析的方法(基于模型和基于數據的方法)進行分類和比較。最后總結出旋轉機械故障預測中有待進一步解決的難點問題，并對此領域未來的發展方向進行了展望。

［1］聞邦椿，武新華，丁千，等.故障旋轉機械非線性動力學的理論與試驗［M］.北京:科學出版社，2004.

［2］盧鵬飛，冀江，楊龍文.中國催化裂化煙氣輪機自主創新三十年的回顧［J］.中外能源，2008，13(A01):8 －10.

［3］周東華，胡艷艷.動態系統的故障診斷技術［J］.自動化學報，2009，35(6):748 －755.

［4］左云波，王西彬，徐小力.DFAR模型在旋轉機械故障預測中的應用［J］.中國機械工程，2009，20(12):1460 －1463.

［5］楊江天，岳維亮.灰色模型在機械故障預測中的應用［J］.機械強度，2001，23(3):277 －279.

［6］韓志剛.動態系統預報的一種新方法［J］.自動化學報，1983，9(3):161 －168.

［7］朱春梅，徐小力，張建民.基于混沌時間序列的旋轉機械非平穩狀態預測方法研究［J］.機械設計與制造，2006(12):103－105.

［8］許寶杰，韓秋實，徐小力.基于隱馬爾可夫模型的機器狀態趨勢預測方法［J］.精密制造與自動化，2003(9):11 －13.

［9］Tse P W，Atherton D P.Prediction of machine deterioration using vibration based fault trends and recurrent neural networks［J］.Journal of Vibration and Acoustics，1999，121(3):355 －362.

［10］Cao X G，Jiang P Y，Zhou G H.Facility health maintenance through SVR-driven degradation prediction［J］.International Journal of Materials and Product Technology，2008，33(1 －2):185 －193.

［11］Li G，Qin S J，Ji Y D，et al.Reconstruction based fault prognosis for continuous processes［J］.Control Engineering Practice，2010，18(10):1211 －1219.

［12］Yang S K，Liu T S.State estimation for predictive maintenance using Kalman filter［J］.Reliability Engineering and System Safety，1999，66(1):29－39.

［13］Ray A，Tangirala S.Stochastic modeling of fatigue crack dynamics for on-line failure prognostics［J］.IEEE Transactions on Control Systems Technology，1996(4):443 －451.

［14］徐小力，王濤.轉子系統故障推理智能專家系統的研究與實現［J］.計量與測試技術，2004，31(8):12 －13.

［15］靳春梅，樊靈，邱陽，等.旋轉機械故障智能診斷與預報方法綜合研究［J］.機械，2000，27(z1):24 －27.