基于早期故障特征提取的全生命周期監測診斷

高 帆，楊露霞

(重慶川儀軟件有限公司，重慶 401121)

0 引言

隨著現代工業技術的快速發展，機械設備工作強度不斷增大，自動化程度越來越高，大大提升了工業生產效率、降低了人工成本。同時，由于設備結構更加復雜、各部分的關聯愈加密切，往往某個微小故障就能引發連鎖反應，導致整個設備乃至與設備有關的環境遭受災難性的毀壞。

在機械設備得到廣泛應用的同時，其運行狀態監測、安全性和穩定性也得到了廣泛關注。因此，設備早期故障診斷極具研究價值[1]。通過設備健康狀態的監測診斷，可對潛在的故障作出盡早的判斷，并根據故障的嚴重程度及時發出預警，提醒工廠運維人員及時采取恰當的檢修措施，從而保障設備的可靠運行，避免非計劃停機和安全事故。

旋轉機械早期故障信號具有非平穩、多分量、非線性、多調制的特點[2-3]，故障脈沖信號幅值很小，采用常規方法很難直接從低頻信號和強背景噪聲中提取故障特征，更無法進行故障識別。本文將基于早期故障特征提取技術，結合多技術融合方法，探討建立更加完善的設備全生命周期健康狀態監測診斷體系。

1 設備早期故障監測診斷

1.1 典型的機械設備故障發展過程

設備故障的發展分為五個階段，其過程如圖1所示。

圖1 機械設備故障發展過程示意圖Fig.1 Schematic diagram of fault development process of mechanical equipment

①初期階段：故障率較高。其原因是設備制造以及安裝調試中的遺留問題。

②穩定運行階段：故障率很低。其原因是突發性運行故障。

③惡化階段：故障率開始上升。其原因是設備逐漸老化。

④注意階段：故障率加速上升。其原因是設備加速老化。

⑤危險階段：設備可能隨時失效。其原因是設備未及時檢維修或者未能發現真正的故障源。

通過故障診斷，可根據設備狀態制定相應的維修方案并采取相應的措施，以排除故障和隱患，使設備恢復原有性能，重新進入低故障率的穩定期，從而延長設備的使用壽命。

設備運行過程中的故障，往往會經歷一個從產生到發展、從輕微到嚴重的漸變過程。一方面是設備性能的變化，即正常→非正常→惡化→崩潰；另一方面是設備征兆參數的變化，即不明顯→明顯、不完全→完全的時間過程。因此，早期故障檢測對減少或避免故障造成的損失具有重要的意義。

1.2 典型的軸承故障發展過程

軸承在旋轉機械中應用較廣泛，設備的許多故障都與軸承有關。軸承的健康狀況對于機械設備的正常運行影響很大。軸承的缺陷會導致設備產生異常振動和噪聲，嚴重時甚至損壞設備[4]。

滾動軸承過早發生故障的主要原因是過大的動載荷。除此之外，其他原因包括：①軸承和齒輪在正常運行過程中，因磨損而引起金屬屑沫進入齒面和軸承間隙中，產生潤滑污染；②潤滑不當，包括使用錯誤的潤滑劑、被灰塵和其他污染物污染；③濕氣會造成一定量的水氣進入，形成污染，而水氣會加快油品氧化和變質速度；④氧化污染物粘附于齒輪、軸承和冷油器等構件上，會吸附顆粒物、加速零件的磨損、降低機械的性能和熱交換效率，最終導致齒輪和軸承溫度升高[5]。軸承在不同階段的故障特征如表1所示。延長軸承使用壽命的解決對策是監測軸承狀態，在早期發現軸承故障，并監測、跟蹤其老化趨勢，了解何時需更換軸承。

表1 不同階段的軸承故障特征Tab.1 Bearing fault characteristics at different stages

1.3 設備早期故障特征提取

設備早期故障的主要特點如下。

①信號微弱：早期故障屬于輕微故障，信號分量較小，不易察覺。

②表征不明顯：早期故障信號表征很不明顯，表現為很小的幅值、相位、時頻特性等變化。

③容易被噪聲信號淹沒：早期故障信號具有很大的隱蔽性，容易被相對較強的噪聲信號所淹沒。

機械運動部件出現早期故障時，使用常規的信號處理技術很難直接提取信號，需要根據故障機理建立和分析故障特征的數學模型。采用現代數字信號處理技術進行提取、濾波、降噪，可從頻域中提取故障特征頻率，并與故障庫進行匹配。

近年來，設備故障特征提取技術在機械設備故障診斷領域已經得到了快速發展[6-9]。目前，設備早期故障特征提取的主流技術如下。

(1)高頻包絡解調信號處理技術[10]。在滾動軸承故障發展的初始階段檢測到故障信息，在第二、第三以及第四階段中，以不同的信息反映軸承的不同故障狀態，跟蹤軸承故障發展。通過振動速度或振動加速度，可在第三階段有效地檢測到軸承的故障頻率；通過包絡解調和振動速度、加速度相結合，可檢測滾動軸承的早期故障。

(2)沖擊脈沖診斷技術。該方法的關鍵是如何確定沖擊脈沖的最大幅值。該幅值是判斷軸承有無故障的重要依據，適用于檢測滾動軸承的早期損傷類故障。

(3)共振解調分析技術[6]。共振解調分析利用調制技術，將低頻信號調制到高頻共振頻率區，并分離低頻沖擊信號與其他能量巨大的低頻信號，從而有效地利用故障信息進行診斷。該技術融合了包絡譜分析法。共振解調分析技術有如下特點。

①共振解調譜線與摩擦沖擊事件相互對應，有譜線說明有摩擦沖擊事件、有故障，無譜線說明摩擦沖擊小、無故障；譜線呈多階梳狀，該特征有別于低頻振動。

②共振解調幅值與故障沖擊強度成正比，幅值越高，故障越嚴重。

③共振解調信噪比高，抗干擾性較好。

2 設備全生命周期健康狀態監測診斷

2.1 設備健康狀態監測診斷流程

采用高速在線監測與診斷系統，對關鍵設備各個部位的信號進行連續、并行的監測、分析和診斷。設備健康狀態監測診斷流程如圖2所示。

圖2 設備健康狀態監測診斷流程圖Fig.2 Flowchart of equipment health status monitoring and diagnosis

將監測數據與設備健康狀態時的數據模式進行比對，從而歸納出設備發生故障的規律。基于連續的測量和分析，能夠判斷設備的運行狀態、預測設備部件剩余使用壽命、輔助決策設備的最佳維護時機。

2.2 多技術融合

醫學診斷技術與設備故障診斷技術在故障特征信息提取方面具有一定的共性，如表2所示。既然醫院健康檢查可以多種診斷技術相結合，那么設備故障診斷技術也同樣可以多技術融合[8]。通過不同技術獲取不同的設備故障特征信息，綜合各項特征信息，最終可獲得準確的設備健康狀態。

表2 診斷技術共性故障特征表Tab.2 Common fault features of diagnostic technology

3 設備全生命周期健康狀態監測診斷的應用

3.1 設備生產制造

設備生產制造的過程中，如果要達到設備全生命周期健康狀態監測診斷，還需要在以下三個方面完善監測診斷工作[8-9]。

①在設備質量檢驗裝置上，應用故障特征提取技術，建立設備健康狀態基準數據庫，并輔助進行設備出廠檢驗。

②建立設備全域信息示意圖，在一張地圖上顯示全國各地的設備信息(例如泵設備)。圖中包括地理位置、設備主要運行參數、設備健康狀態等信息。通過綠、黃、紅三種色塊，顯示各個區域不同機泵的運行狀況。對紅色塊的機泵設備，可以單擊該設備直接進入具體的故障診斷步驟。每臺在線機泵還可根據其不同類型和最近一次診斷日期，自動判斷下次診斷日期。需要診斷的設備信息將以警示條的方式進行提醒。

3.2 設備現場應用

設備在工業現場應用時，應用全生命周期健康狀態監測診斷體系[11-12]實行預測性維護制度。根據設備的不同健康狀態(綠色表示健康，黃色表示需要注意，紅色表示危險)，在不同的故障發展階段，企業可進行如表3所示的檢維修措施。

表3 不同故障區域的特征及檢維修措施Tab.3 Characteristics and maintenance measures at different fault areas

當設備處于綠色甚至黃色區域時，及時對設備進行檢維修，可以達到如下效果：①避免“過剩維修”，防止因不必要的拆卸使設備精度降低，減少維修費用；②有效減少設備停機時間和維修時間，提高生產效率；③實現預知維修，盡早發現故障隱患，減少和避免重大事故發生；④合理預測設備部件壽命，使設備在保質、保產情況下超期服役。

4 結束語

利用早期故障特征提取技術盡早對設備的潛在故障作出可靠判斷，對于保障設備的可靠運行具有重要意義。以早期故障特征提取技術為基礎，結合多技術融合方法，可建立完善的設備全生命周期健康狀態監測診斷體系。在設備生產制造以及現場應用中實施早期故障特征提取，可促進設備廠家改進生產制造質量，促進流程工業企業優化檢維修流程。

根據現場應用經驗，對設備全生命周期健康狀態監測診斷在設備生產制造領域以及流程工業領域的合理應用提出如下建議。

①設備早期故障診斷極具研究價值。監測跟蹤早期故障發展趨勢，可保障設備的可靠運行。

②設備故障從早期、中期發展到后期，診斷方法各異，包括頻譜分析、高階統計量、小波變換、盲信號分析等。其目的是分析提取故障特征。

③設備健康狀態監測診斷系統的最終目的是現場應用，需要把復雜理論變成簡單的操作，否則診斷系統肯定不會得到普及。對于在線監測系統，監測的項目和參數不是越多越好，而是越少越好；不是越復雜越好，而是越簡單越好。

④在工業現場診斷設備時，往往沒有太多時間可供討論，需要盡快告訴維修人員問題所在，以及應該主要檢修的部位；此外，還要給出決策的依據，甚至必須告知企業是否需要停車。

⑤設備早期故障提取可應用于生產制造企業的設備出廠檢驗，并在現場應用時進行設備從完全健康狀態到發生故障之前的狀態監測。早期故障提取技術可幫助企業改進設備設計缺陷、優化檢維修制度，從而完善設備全生命周期健康狀態監測診斷的閉環。

參考文獻:

[1] 王軍,高永江.機械設備早期故障信號提純優化算法研究[J].計算機仿真,2014,31(2):293-296.

[2] 洪林清.機械設備早期故障預示中的微弱信號檢測技術探討[J].低碳世界,2016(8):256-257.

[3] 徐小力,喬文生,馬漢元,等.機電設備運行狀態健康監測系統研發及其工程應用[J].設備管理與維修,2017(5):14-19.

[4] 趙光昌,謝剛,張清華.滾動軸承早期故障診斷技術[J].軸承,2015(6):56-61.

[5] 安國慶,秦程,郭立煒,等.峭度濾波器用于電機軸承早期故障特征提取[J].電機與控制學報,2014,18(6):55-60.

[6] 朱靜,鄧艾東,錢丹陽,等.基于振動和聲發射技術的滾動軸承故障分析[J].自動化儀表,2017,38(7):66-69.

[7] 肖蕾,劉克江,莊鑫財.多傳感器融合在地下管道測量中的應用研究[J].自動化儀表,2018,39(1):53-57.

[8] 鄭晴晴,葉建偉.共振解調技術用于滾動軸承早期故障診斷[J].設備管理與維修,2017(1):117-119.

[9] 孟玲霞,徐小力,蔣章雷,等.風電機組齒輪箱早期故障預警方法研究[J].儀器儀表學報,2016,37(12):2758-2765.

[10]李志文.包絡技術在滾動軸承早期故障診斷中的應用[J].設備管理與維修,2017(5):113-115.

[11]馬越.設備故障預警系統在水電機組安全狀態中的評估[J].管理觀察,2014,9(27):134-135.

[12]錢冰,鄒磊,馬越.設備故障早期預警系統在水電機組檢修中的應用[J].人民長江,2014,45(17):48-51.