轉爐懸掛減速機的故障診斷及在線監測故障診斷系統的設計

張 寧

（河鋼唐鋼設備機動部，河北 唐山 063600）

懸掛減速機是轉爐設備的重要組成部件，利用在線監測故障診斷系統實時監測懸掛減速機的運行狀態，以及實現潛在故障的準確識別，指導日常維護和檢修作業的開展，從而使轉爐穩定、健康的運行，切實維護企業的經濟效益。由于轉爐懸掛減速機的結構組成比較復雜，故障類型多種多樣，因此在線監測故障診斷系統應盡可能采集多種信號，如振動信號、電壓信號、溫度信號等，在此基礎上對多種信號進行匯總分析，以提高診斷結果的正確率。BP 神經網絡具有強大的學習能力，可通過樣本訓練的方式提高診斷的精確性，因此基于BP 神經網絡的在線檢測故障診斷系統在轉爐懸掛減速機的運行監測、故障識別中可以發揮良好的應用價值。

1 轉爐懸掛減速機的常見故障與診斷方法

1.1 轉爐懸掛減速機的常見故障

從結構組成上來看，轉爐懸掛減速機的核心部件主要有齒輪、傳動軸、滾動軸承等，這些部件出現故障將直接影響減速機的正常運行。

齒輪故障的具體表現形式有誤差、磨損、斷齒等。造成齒輪故障的原因主要與產品存在質量瑕疵或者裝配不良有關。例如安裝時輪齒與內孔不同心、各部分的軸線不對中等，齒輪運行后無法完美嚙合，從而導致嚴重磨損[1]。同時，由于齒輪所受載荷較大，如果嚙合不良，會加速金屬疲勞，導致齒根裂紋甚至是斷齒故障。另外，轉爐懸掛減速機在運行一段時間后，如果日常維護不到位，加上渣塵侵入，還會導致齒輪潤滑不良，也會加劇齒輪的磨損。

軸故障的具體表現形式有軸不平衡、軸不對中以及軸變形等。軸的加工制造質量不合格，或者安裝時出現失誤，都有可能導致偏心。當軸高速轉動時，偏心質量產生較大的離心慣性力，打破了原來的受力平衡，使軸發生不均勻的異常振動。軸在長期振動或者受到較大的瞬時沖擊荷載后，容易發生局部彎曲。如果彎曲程度較小，會引起軸上齒輪的齒形誤差；如果彎曲程度較大，則會產生較大的沖擊能量，嚴重時還可能造成軸的斷裂。

滾動軸承故障的具體表現形式有疲勞剝落、塑性變形、腐蝕、膠合、保持架損壞等。在潤滑失效、高速重載的運行環境下，滾動軸承會因為摩擦而產生大量的熱，導致零件溫度明顯升高，表面材料被燒傷后發生膠合現象。在一些投入使用年限較長的設備中，滾動軸承腐蝕現象也比較明顯，在受到化學腐蝕、電腐蝕、微振腐蝕的共同影響下，滾動軸承的強度大幅度下降，增加了斷裂的風險。

1.2 轉爐懸掛減速機的故障診斷

傳統以人工經驗為主或者借助于檢測儀器的故障診斷方法，存在時效性差、精確度不高等問題。基于振動信號提取與分析的線監測故障診斷，具有診斷精度高、可實時識別故障等特點，實用效果更好。其中，振動信號相比于溫度信號、電壓信號，可以更加直觀地反映出被監測工件的實時運行工況，對提高故障診斷的準確度有一定效果[2]。以齒輪故障為例，當齒輪處于帶病運行狀態時，載荷波動產生幅值調制，轉速波動產生頻率調制。這時振動信號的譜圖上會形成以嚙合頻率為中心、兩個等間隔分布的頻帶，從而根據譜圖確定故障位置，為齒輪故障的查找與確定提供了技術支持。需要注意的是，由于振動信號在傳遞過程中會發生衰減，以及其他因素的干擾（如噪聲干燥），可能會對故障診斷結果的精確性造成影響。因此，在采集振動信號以后，一方面是需要對信號進行降噪、濾波等一系列預處理；另一方面還要使用人工智能技術（如BP 神經網絡、專家系統等）對振動信號進行分析，最終確定故障。

2 轉爐懸掛減速機在線監測故障診斷系統的設計

2.1 在線監測故障診斷系統的結構組成

該系統主要包括前端數據采集模塊（振動傳感器、電壓傳感器等）、通訊模塊、數據庫服務器以及工程師站等組成，結構組成見圖1。

圖1 在線監測故障診斷系統的結構組成

本系統中使用了多種類型的傳感器，其中振動傳感器采用壓電式加速度計，可精確采集被監測裝置的速度、位移等參數；電流傳感器采用霍爾可拆卸傳感器；PLC 總線可提供轉爐爐體的轉速、傾角等信號。前端傳感器采集到的信號經過調理模塊進行濾波、降噪、放大等處理后，將模擬信號轉化為計算機可識別的數字信號，然后經通信模塊傳輸給數據庫服務器，進行數據存儲。工程師站可提取數據庫內信號進行故障分析、運行趨勢預測，實現故障的識別和處理。

2.2 系統的硬件設計

該系統的硬件部分主要由數據采集系統、數據分析系統組成。數據采集系統的硬件設備有前端傳感器、調理裝置、采集卡等。數據采集卡通過USB 接口分別連接調理裝置和工控機。一方面能夠將處理后的數據上傳至工控機；另一方面也能將工控機下達的各項控制指令轉發給前端的執行器[3]。數據分析系統則是以計算機為核心，具體又分為工程師站、現場觀察站和廠辦公網。計算機系統基于前端提供數據，利用BP 神經網絡展開綜合分析，然后將分析結果以簡明易懂的方式在顯示器上呈現出來，方便管理人員及時掌握轉爐懸掛減速機是否存在故障；如果存在故障，還能提供故障的發生位置等信息，為下一步進行故障維修處理提供參考依據。

2.3 系統的軟件設計

該系統的軟件部分由5 個模塊組成，如在線監測模塊、信號分析模塊等，各模塊的功能見圖2。

圖2 系統軟件組成框圖

系統軟件是基于Delphi 編程工具進行開發，該工具可支持C++、VB 等多種主流的編程語言，并且提供數據庫引擎（BDE）和多種Active 組件，開發者可根據需要直接調用數據和組件，從而降低了軟件開發難度，提高了開發效率。

2.4 系統功能設計

2.4.1 監測信號的選型 結合轉爐懸掛減速機的實際運行特點，可用于判斷設備是否存在運行故障的監測信號有多種，例如振動信號、溫度信號、聲音信號、電壓信號等。從現有的技術條件來看，振動信號的采集難度較低，并且通過分析振動頻率可以直觀、準確地判斷出被監測裝置是否存在異常工況。因此，本系統設計中將振動信號作為減速機故障診斷的主要依據。

大力推廣清潔能源應用，積極推進港口岸電設施和液化天然氣加注碼頭建設，西江干線10個LNG加注碼頭已納入《長江干線京杭運河西江航運干線液化天然氣加注碼頭布局方案（2017—2025年）》，其中廣西梧州港首座LNG加注站已投入運營。目前，珠江三角洲港口群已配備了近500臺LNG動力港作車，建成6座撬裝式LNG加氣站，水系主要港口的重要港區均已建設岸電設施。港口與船舶污染物接收轉運處置與港口作業污染專項治理，也在不斷推進當中。

2.4.2 監測點的布置 科學布置監測點能夠減輕外部干擾的影響，從而使采集到的數據能更加準確地反映出轉爐懸掛減速機的實際運行工況，間接地提高故障診斷的精確性。結合轉爐懸掛減速機的結構特點，提高監測精度的有效措施是減少振動傳遞損失，因此可以選擇在阻尼小、剛性好的基座、軸承座等位置布置監測傳感器。以軸承座為例，分別在水平（X）、垂直（Y）和軸向（Z）三個方向上安裝傳感器，這樣就能準確獲得振動變化[4]。

轉爐懸掛減速機分為2 種類型，其中一次減速機采用三級齒輪減速，分別在輸入端和輸出端的軸承座上布置振動監測點，每個監測點可獲得徑向和軸向振動信號。1 臺轉爐懸掛減速機內共有4 臺一次減速機，因此可以采集到2×2×4=16 個振動信號。一次減速機上監測點的布置見圖3。

圖3 一次減速機測點布置示意

二次減速機采用單級齒輪減速，在軸承座出布置3個振動監測點；另外在直流電機處分別安裝1 個電流和電壓傳感器。一臺轉爐懸掛減速機內有1 臺二級減速機，可以獲得3+2=5 個振動信號。二次減速機上監測點的布置見圖4。

圖4 二次減速機測點布置示意

2.4.3 監測信號分析 該系統采用小波包分析法對監測信號進行分析，通過提取故障特征頻率，為下一步實現故障的精確診斷創造了良好條件。監測信號分析共包括4 個步驟：

步驟1：獲取原始數據的時域波形圖。將經過濾波、放大等預處理的監測信號導入到在線監測故障診斷系統中，進入綜合分析界面，選擇“時域波形圖”。在彈出的對話框中，選擇需要分析的監測信號，在左側的“數據特征值”一欄中，可以顯示當前信號的均值、峰值、偏態、峭度等特征參數，在右側的“波形圖”一欄中，可以顯示原始波形。點擊“降噪后分析”，可以得到小波閾值降噪波形圖[5]。

步驟2：從菜單欄中選擇功率譜圖，按照同樣的操作選擇需要分析的監測信號，并按照信號的峰值進行排序。可以得到每一個信號的特征頻率和功率譜能量。點擊“小波波分解后分析”，可以得到小波強制降噪或小波閾值降噪波形圖。

步驟3：從菜單欄中選擇小波分解，在新的界面中自定義小波函數和分解尺度。例如將小波函數設置為“S=d1+d2+d3+d4”，分解尺度設置為4，設置完成后分別選擇“時域波形”“頻域波形”，可獲得相應的波形圖。

2.4.4 故障診斷 本研究設計的在線監測故障診斷系統，首先利用時域、頻率和小波分析相結合的方式，從前端反饋的海量監測信號中提取出具有故障特征的信號；然后再利用BP 神經網絡診斷從信號中提取有效值、峭度、2 倍齒輪嚙合頻率賦值、1 倍周轉頻幅值、軸承內圈特征頻率賦值等參數，組成訓練樣本。對上述數據做歸一化處理后，將訓練樣本中的特征向量輸入到系統中進行機器學習。BP 神經網絡訓練樣本的設置見圖5。

圖5 BP 神經網絡訓練樣本的設置

點擊“訓練網絡”，經過19 次訓練后，誤差達到要求，可用于網絡測試。將測試樣本數據送入到已經訓練好的神經網絡中，輸出內容及診斷結果見表1。

表1 測試樣本輸出及診斷結果

結合上表數據可知，轉爐懸掛減速機的內圈、外圈、磨損和崩齒4 種故障均可以成功識別，而設備的滾珠故障診斷結果顯示正常，未能成功識別，故障識別的準確率為80%。下一步，要繼續增加學習樣本的數量，經過反復訓練后系統對故障識別的成功率也會不斷提升。

3 結論

轉爐懸掛減速機在投入運行一段時間后，由于運行環境復雜、材料自身老化等因素的影響，不可避免會出現磨損、崩齒等故障。為了使設備正常運行、避免大修或停運事故，必須要設計和使用在線監測故障診斷系統，通過采集前端的振動信號并開展分析，實現對異常工況的超前識別。然后利用BP 神經網絡分析，對異常工況做進一步的判斷，成功識別故障，進而為下一步開展轉爐懸掛減速機的運行維護提供必要的技術支持。