風洞群真空泵組集中監測與智能故障診斷系統的設計

羅昌俊，馬永一，王小飛，明麗洪，馮春艷

(1.中國空氣動力研究與發展中心計算空氣動力研究所，四川 綿陽 621000;2.北京博華信智科技股份有限公司，北京 100029)

0 引言

大型風洞設備設施是國家重大戰略資源，風洞試驗需要純水、電力、壓縮空氣、高/低真空等多種動力資源[1]。如圖1所示，真空系統為風洞試驗提供真空環境，由若干套真空泵組、球罐、管道和插板閥等組成，通過真空泵組抽吸真空球罐，達到試驗所需真空度。風洞群真空泵組作為關鍵設備，由于數量多(上百臺套)、結構復雜、分布分散、連續高負荷運轉等因素，容易發生軸承、齒輪、轉子等零部件磨損、轉子不平衡等故障，嚴重時將造成設備損壞、停機停產，從而影響風洞試驗開展。但真空泵組維修普遍采用的定期維修或事后維修方式，會產生維修不足或過度維修的情況[2-3]。因此，需要實現對真空泵進行集中監測和在線故障診斷，以保證設備安全運行，并提高維修效能。

圖1 風洞群真空動力資源

目前，國內很多大中型工業行業均采用了針對設備檢修的故障管理系統[4-6]，但大多缺乏對于設備健康狀況的評估和故障的自動預判，缺乏對故障知識庫的有效管理。

目前已有的故障預測方法主要有三類：1)基于模型的故障預測方法，即在設備數學模型已知時，結合設備當前運行狀態進行預測的方法[7-9]。這類故障預測方法結果較為準確，但全系統精確模型的建立十分困難，甚至無法建立；2)基于大數據的故障診斷系統，結合數據提取、挖掘、分析等技術，實現設備故障診斷和預警[10-12]。這類故障預測方法的預警模型訓練需要長期的數據支撐，并通過對每臺泵的大量數據分組訓練、交叉檢驗來評估單體模型效果，訓練有效性可能影響診斷的準確性；3)基于知識的故障預測方法是根據相關領域專家經驗，結合設備實際運行情況進行預測的方法[13-16]。這類故障預測方法結果的準確性依賴于知識來源的正確性和推理機制的合理性。

因此，結合已有的真空泵組長期運行維護經驗，采用智能故障診斷的理論和方法，建立集中監測系統，對于保障風洞試驗順利開展、降低維修成本、提高維修效能，具有重要意義。

1 系統架構設計

針對真空設備系統復雜、故障預判和提前預警困難、故障定位不易準確、缺乏專家知識庫、難以支撐維修決策等問題，開展設備健康診斷設計，系統總體架構如圖2所示。

圖2 集中監測與故障診斷系統總體架構

主要思路如下：

1)采集真空系統現場運行數據，實現對真空動力系統運行狀態的集中監測。

2)通過設備狀態監測及預警技術，實現設備異常提前報警，減少或避免設備發生嚴重故障，逐步實現事后維修向基于狀態的預測性維修的轉變。

3)建立基于故障機理和規則推理的故障診斷專家系統，當設備發生報警后，系統可以自動定位故障原因。

4)建立維修知識庫和狀態監測分析工具，為準確定位故障和維修決策提供數據支撐。

2 系統硬件結構設計

風洞群真空泵組集中監測與故障診斷系統終端數據上行傳輸路徑如圖3所示。

圖3 終端數據上行數據流設計

真空設備健康管理系統包括現場級、中心級和業務級3個層級。健康管理數據分為兩類：振動量數據和工藝量數據，其中振動量數據由數據器采集振動傳感器數據后發送至裝置級中間件處理，并通過數據同步助手發送至中心級；工藝量數據由真空動力系統已有的相應傳感器及PLC進行采集并經通信PLC發送至OPCServer，然后OPCServer對外提供OPC協議數據，經OPC客戶端進行讀取轉發[17]。

2.1 振動量數據采集

如圖4所示，每臺泵組安裝3套振動傳感器，分別監測泵組驅動端(前端)徑向、軸向以及非驅動端(后端)徑向3個位置的振動情況。每個測點分別監測加速度a和速度v兩種信號，通過數據采集器進行采集和信號調理，并傳入數據應用管理服務器供存儲和應用。

圖4 真空泵組振動監測系統邏輯框圖

2.2 工藝量數據采集

如圖5所示，在真空動力系統的本地監控系統中配置西門子S7-1500系列PLC，并配置2個ProfiNET網絡接口，其中一個ProfiNET 網絡接口與本地監控系統中的PLC進行S7單邊通信[18]，并獲取數據。

圖5 現場通信組態圖

3 系統軟件設計

系統采用基于SOA面向服務(Service Oriented Architecture)的軟件體系架構[19]，系統中所有的程序功能都被封裝在一些功能模塊中，而這些功能模塊就是SOA架構中的不同的服務，這些服務可以組裝構建完成一個或多個任務、業務功能所需要的應用和流程。

3.1 多層級集中狀態監測

如圖6所示，以工藝流程圖形式展示真空系統機組和設備狀態。分兩個層級進行展示：第一層級以工藝流程圖形式展示系統機組的總體態勢、閥門狀態及調度人員關注的參數；第二層級跳轉到機組層級或者設備層級的工藝流程圖，展示該機組局部工藝流程圖，支持測點報警閾值設置，包括報警方式(低通、高通、帶通、帶阻)選擇和高限、高高限、下限、下下限等參數的設置。

圖6 多層級真空泵組集中監測界面

如表1所示，設備操作人員或運行人員可設置、查看所監測設備各測點狀態，危險和報警測點優先排列，這樣可快速定位需重點關注的測點。

表1 泵組故障診斷邏輯對應設備及測點(示例)

3.2 故障診斷分析

該模塊提供針對真空泵組等設備的半自動診斷功能，同時提供用于專業故障診斷人員使用的圖譜診斷分析功能。

如圖7所示，根據不同類型設備的振動、工藝量等參數，提供機組概貌圖、趨勢分析、沖擊診斷、轉子類故障診斷、倒譜圖、單多值棒圖、其它參數趨勢圖、機泵報警查詢等多種故障診斷分析功能。

圖7 低真空1#3 750泵概貌圖

4 關鍵技術和方法

4.1 狀態評估和故障機理模型的建立

針對真空泵進行故障機理和特征的分析，建立基于故障演化機理挖掘、分析、修正的診斷模型，從而實現基于狀態評估和故障機理模型的故障診斷。

以常見的真空泵軸承磨損故障為例，由于在運輸中軸承受到振幅很小的搖擺運動作用、配合面間有微小間隙造成的滑動磨損、上游試驗段排放的雜質隨試驗氣體進入泵腔及密封件內，對中不良，裝配不當等原因，造成滾動軸承滾動體、內圈或外圈的磨損。軸承磨損通常會導致軸承游隙增大，機組效率下降，振動和噪聲增大，軸承壽命降低。軸承磨損主要有：軸承滾動體磨損、軸承內圈磨損、軸承外圈磨損及滾動體保持架磨損。

軸承磨損故障特征：振動加速度峰值和RMS值會緩慢上升，振動信號呈現較強的隨機性?；谏鲜龉收蠙C理和征兆，給出狀態評估和故障機理模型如圖8所示。

圖8 軸承磨損診斷機理模型

4.2 智能預警技術

1)動態閾值報警：

由于動設備零部件眾多、連接方式復雜，使其呈現出范圍不確定性、高度非線性、強關聯性等特征，這些都給動設備在線監測報警帶來諸多挑戰。常規報警采用固定閾值，但在動設備實際運行過程中，經常會由于工藝參數的調整、設備的啟動切換、人為操作等給動設備的正常運行帶來一定干擾，致使某一或某些監測參數在某一時間段內反復波動，且波動范圍常常超過常規報警監測系統所設定的閾值。

通過對設備在不同負荷下的振動及工藝量參數進行自動學習，針對監測設備在某一特定負荷下的振動及工藝量參數特征，應用動態自學習閾值代替監測系統系統中常規報警閾值，完成智能動態閾值報警。

某低真空泵組中3 750泵的振動加速度常規報警值為100 m/s2,危險值為120 m/s2。該泵組某測點振動監測趨勢從1月23日10:47開始緩慢爬升，在此之前該測點趨勢一直平穩在15 m/s2左右，到10:53爬升到251 m/s2，8分鐘內趨勢異常爬升了236 m/s2。

根據自學習動態閾值報警算法[20-21]，計算正常運行階段的動態自學習預警閾值，取尖峰噪聲引起的采集誤差α=0.05，得到擬合后的趨勢數據的預警閾值下限Thd1=40.6、上限Thd2=73.7，自學習預警閾值空間[40.6,73.7]。當該泵組趨勢數據超過閾值空間后提前報警。經排查，故障原因是羅茨真空泵轉子配合間隙改變，導致轉子發生碰磨故障。真空泵轉子配合間隙的改變可能與軸承持續磨損、同步齒輪持續磨損等有關。

實踐證明，自學習動態閾值預警方法比固定閾值報警方法更能適應工況、環境的復雜性，實現真空設備故障的早期預警。

2)智能快變報警：

在一定時間內，某一參數(如振動)出現一定幅度變化，及時報警。當出現報警情況，一旦被判定為關鍵數據，系統自動加密數據保存間隔。

3)反復穿越識別報警：

具備報警事件識別功能，具備篩選或減少反復穿越引起的誤報功能，防止針對同一報警事件進行重復報警。

防止反復穿越技術是在定值報警基礎做出的優化。在設備反復穿越報警但總體平穩時，設備報警只有一次。反復報警的測點，只有報警值比上一次報警值大15%以上時，設備才再次產生新的報警事件。

4.3 智能診斷技術

針對大型旋轉機械類設備(高壓壓縮機、中壓壓縮機、羅茨真空泵)采用定閾值報警、橫向對比報警技術，基于振動故障機理和規則推理，建立故障診斷邏輯和專家系統，可自動給出診斷結論。

當設備發生報警后，通過基于故障機理和規則推理的故障診斷專家系統，可以自動定位故障原因，目前專家系統內置40個診斷規則，并支持前臺編輯。

專家系統定位故障原因后，觸發維修工單，系統通過調取知識庫故障維修方案給出維修建議，開展維修活動的審批和調度工作，并最終不斷積累維修任務數據，持續更新知識庫，比如標準故障庫、維修方案庫、設備關聯工具/備件、故障診斷規則等。

如圖9所示，在剩余壽命預測預測方面，通過設備累計運行時間和故障次數計算設備平均無故障運行時間；通過關鍵部件平均壽命和運行時間之差計算部件剩余壽命；通過閥門允許開關次數和累計開關次數只差計算閥門剩余壽命(剩余可開關次數)。

圖9 設備生命周期圖

假設設備在使用過程中某備件，共計發生過N0次故障，每次故障后經過修復又和新的一樣繼續投入使用(或直接更換)，其工作時間分別為Ti，計算Ti時減去設備“待機”和因其他部位維修、保養導致的停機時間。具體如下：

Ti=(t6-t0)-(t1-t0)-(t3-t2)-(t6-t5)

(1)

(2)

剩余壽命=該部位平均無故障運行時間-已運行時間:

(3)

當設備/閥門剩余壽命達到報警閾值時，系統給出報警提示。剩余壽命預測對于維修有一定的指導意義，同時可以作為庫存優化和采購的數據支撐。

5 實驗驗證

5.1 實驗步驟和方法

為驗證集中監測與故障診斷系統中故障診斷專家系統的準確性，通過數采模擬故障信號的方式進行驗證，由于信號模擬有一定難度，僅對部分主要故障進行了模擬。將領域專家通過頻譜分析得到的結論與故障診斷專家系統診斷結論進行對比。如果結論一致，說明專家系統診斷結論正確。

5.2 實驗過程

真空泵組的主要故障包括不平衡、不對中、流體激振和滾動軸承故障等。以模擬轉子不平衡故障為例，具體過程如下：

1)建立診斷邏輯：

轉子不平衡按發生的過程可分為原始、漸性和突發性突衡。其中：原始不平衡是由于轉子制造誤差、裝配誤差以及材質不均勻等原因造成；漸發性不平衡是由于轉子上部均勻結垢、介質中粉塵的平均沉積、介質中顆粒對齒輪箱轉子的不均勻磨損以及工作介質對轉子的磨蝕等因素造成；突發性平衡是由于轉子上零部件脫落或有異物附著、卡塞等造成。

診斷邏輯描述如下：時域波形為正弦波，特征頻率為1 X，常伴頻率有較小的高次諧波，振動速度值加大。專家系統中診斷邏輯id:plant_qdzx_zkxt_lcb_03。

圖10 轉子不平衡故障診斷邏輯

2)數據模擬：

模擬設備為低真空1#3750泵，加載的模擬信號如圖11所示。

圖11 低真空1#3 750泵前端徑向振動速度趨勢

5.3 實驗結果分析

如圖12所示，前端徑向振動速度發生報警，領域專家通過分析發現振動速度主導頻率為1倍頻，常伴頻率為較小的2倍頻、3倍頻諧波，診斷結論為轉子不平衡。

圖12 低真空1#3 750泵前端徑向振動頻譜

如圖13所示，故障診斷專家系統的結論為轉子不平衡。

圖13 專家系統診斷結論-轉子不平衡

通過領域專家診斷結果與專家系統診斷結果對比，兩者診斷結果一致，說明專家系統診斷結論可靠。

6 結束語

本文設計了一種風洞群真空泵組集中監測與故障診斷的系統架構。系統的建立與應用[22]，初步解決了風洞群真空泵組故障預判和提前預警困難、故障定位不易準確等問題，但是真空泵組故障診斷知識庫還需不斷積累豐富。

總體來講，該系統實現了風洞群真空泵組故障智能預警和故障診斷分析，提高了綜合診斷監測效率，有力保障了風洞試驗，對國內大型風洞群、復雜水電氣真空動力環境的智能化監控與故障診斷具有一定借鑒意義。