旋轉(zhuǎn)機(jī)械的故障預(yù)測(cè)方法綜述

馬 潔 徐小力 周東華

(北京信息科技大學(xué)現(xiàn)代測(cè)控技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室1，北京 100192;清華大學(xué)自動(dòng)化系2，北京 100084)

0 引言

旋轉(zhuǎn)機(jī)械是指主要功能由旋轉(zhuǎn)動(dòng)作來完成的機(jī)械，尤其是指轉(zhuǎn)速較高的機(jī)械。它分為動(dòng)力機(jī)械(渦輪機(jī)、壓縮機(jī)、齒輪泵等)、過程機(jī)械(離心式分離機(jī)等)和加工機(jī)械(車床、磨床等)。轉(zhuǎn)子－軸承系統(tǒng)作為旋轉(zhuǎn)機(jī)械的核心部件，在電力、能源、交通、石油化工以及國(guó)防等領(lǐng)域中發(fā)揮著無可替代的作用［1］。旋轉(zhuǎn)機(jī)械常常由于出現(xiàn)各種不同形式的故障而影響其正常運(yùn)轉(zhuǎn)，嚴(yán)重時(shí)，甚至?xí)l(fā)機(jī)毀人亡事故，造成重大經(jīng)濟(jì)損失。隨著科學(xué)技術(shù)的進(jìn)步，旋轉(zhuǎn)機(jī)械正向高速、重載和自動(dòng)化方向發(fā)展。因此，對(duì)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(zhuǎn)機(jī)械的檢修歷史和現(xiàn)狀來看，檢修方式大致分為發(fā)生事故停機(jī)檢修、定期停機(jī)檢修(預(yù)防性維修)、預(yù)測(cè)維修(狀態(tài)維修或視情維修)這幾種。據(jù)有關(guān)文獻(xiàn)介紹，在設(shè)備上應(yīng)用故障預(yù)測(cè)技術(shù)，獲利與投資比可達(dá)17∶1。因此，世界各工業(yè)國(guó)家的設(shè)備維修體制正從預(yù)防性維修向預(yù)測(cè)維修發(fā)展。

1 故障預(yù)測(cè)方法的分類與比較

1.1 預(yù)測(cè)維修的意義

煙氣輪機(jī)將催化裂化過程中產(chǎn)生的廢煙氣中所具有的壓力能和熱能經(jīng)煙氣輪機(jī)的膨脹做功化為機(jī)械能，驅(qū)動(dòng)軸流式空氣壓縮機(jī)或給發(fā)電機(jī)提供動(dòng)能，達(dá)到能量回收的目的。美國(guó)研制的世界上第一臺(tái)煙氣輪機(jī)于1963年投入生產(chǎn)運(yùn)行，中國(guó)第一臺(tái)自主創(chuàng)新的煙氣輪機(jī)于1978年成功投入運(yùn)行。30多年來，我國(guó)累計(jì)生產(chǎn)的煙氣輪機(jī)總共節(jié)電約275×108kW·h，價(jià)值約合人民幣138億元，經(jīng)濟(jì)效益非常可觀［2］。然而，煙氣輪機(jī)的運(yùn)行環(huán)境非常惡劣，轉(zhuǎn)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(dǎo)致故障的發(fā)生。

國(guó)內(nèi)大多數(shù)煉油廠的煙氣輪機(jī)幾乎都發(fā)生過嚴(yán)重事故。例如，中石化集團(tuán)公司曾經(jīng)1年中就有39臺(tái)煙氣輪機(jī)因故障停機(jī)達(dá)51次，停機(jī)時(shí)間累計(jì)9014 h，損失巨大。此外，煙氣輪機(jī)通過回收利用廢煙氣，在環(huán)保方面也發(fā)揮著舉足輕重的作用。因此，保證煙氣輪機(jī)的平穩(wěn)正常運(yùn)行成為了煉化企業(yè)的重要工作之一。目前，采用的維修策略基本上都是預(yù)防性維修，即“定期大修”體制，煙氣輪機(jī)一般不到一年就要大修一次。煙氣輪機(jī)的預(yù)測(cè)維護(hù)能夠按照狀態(tài)監(jiān)測(cè)情況及時(shí)準(zhǔn)備維修部件，安排維修計(jì)劃。其完善的診斷能力可準(zhǔn)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(zāi)難性事故的發(fā)生，提高催化裂化裝置的安全運(yùn)行率，從而帶來可觀的經(jīng)濟(jì)和社會(huì)效益。

1.2 故障預(yù)測(cè)方法的分類

預(yù)測(cè)維修的關(guān)鍵技術(shù)是故障預(yù)測(cè)，缺乏有效的故障預(yù)測(cè)方法已成為推廣預(yù)測(cè)維護(hù)技術(shù)的一個(gè)瓶頸。故障預(yù)測(cè)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］?，F(xiàn)有的旋轉(zhuǎn)機(jī)械故障預(yù)測(cè)方法分類如圖1所示。

圖1 故障預(yù)測(cè)方法分類Fig.1 Classification of fault predication methods for rotating machinery

基于數(shù)據(jù)的方法包括自回歸預(yù)測(cè)［4］、灰色預(yù)測(cè)［5］、多層遞階方法［6］、混沌時(shí)間序列預(yù)測(cè)［7］、隱馬爾科夫模型［8］、機(jī)器學(xué)習(xí)(神經(jīng)網(wǎng)絡(luò)［9］、支持向量機(jī)［10］)和統(tǒng)計(jì)過程監(jiān)控方法等［11］。旋轉(zhuǎn)機(jī)械的機(jī)理模型難以建立，同時(shí)專家知識(shí)也難以獲取，這些都不利于我們對(duì)旋轉(zhuǎn)機(jī)械進(jìn)行故障預(yù)測(cè)?；跀?shù)據(jù)的方法完全從工業(yè)現(xiàn)場(chǎng)數(shù)據(jù)出發(fā)，挖掘數(shù)據(jù)中的隱含信息，具有廣泛的工程應(yīng)用價(jià)值。這類方法適用范圍最廣、成本最小。因此，基于數(shù)據(jù)的方法最為實(shí)用，它已成為故障診斷與預(yù)測(cè)領(lǐng)域的研究熱點(diǎn)和發(fā)展趨勢(shì)。

基于模型的方法包括基于濾波器的故障預(yù)測(cè)方法以及基于故障機(jī)理建模的方法等［12－13］。這類方法具有深入對(duì)象本質(zhì)性質(zhì)的特點(diǎn)，能夠很好地跟蹤系統(tǒng)的變化趨勢(shì)。當(dāng)對(duì)象的數(shù)學(xué)模型準(zhǔn)確時(shí)，能得到準(zhǔn)確的故障預(yù)測(cè)結(jié)果。但工程上針對(duì)復(fù)雜的動(dòng)態(tài)系統(tǒng)難以建立精確的數(shù)學(xué)模型，因此，這類方法的適用范圍最小、成本最高。

基于知識(shí)的方法包括專家系統(tǒng)和模糊邏輯等［14－15］。這類方法的優(yōu)勢(shì)是能夠利用現(xiàn)有的專家知識(shí)和經(jīng)驗(yàn)，而不需要已知非常精確的數(shù)學(xué)模型。因此，它在很多領(lǐng)域得到了廣泛應(yīng)用。但是此類方法的不足是知識(shí)獲取較困難。

旋轉(zhuǎn)機(jī)械基于數(shù)據(jù)、基于知識(shí)和基于模型的方法在適用性范圍、成本和準(zhǔn)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(diǎn)問題與展望

盡管針對(duì)旋轉(zhuǎn)機(jī)械的故障預(yù)測(cè)技術(shù)取得了許多成果，但是尚存在以下難點(diǎn)問題有待進(jìn)一步加以解決。

2.1 多變量預(yù)測(cè)問題

對(duì)旋轉(zhuǎn)機(jī)械而言，振動(dòng)信號(hào)中蘊(yùn)含著豐富的設(shè)備運(yùn)行狀態(tài)信息，并且振動(dòng)信號(hào)對(duì)大多數(shù)機(jī)械故障都很敏感。故障會(huì)引起振級(jí)的增加，至少是振動(dòng)特征的改變。這表明振動(dòng)信號(hào)是反映旋轉(zhuǎn)機(jī)械工作狀態(tài)和故障演化情況的一個(gè)極其重要的參數(shù)指標(biāo)。現(xiàn)有的方法主要利用單變量的振動(dòng)信號(hào)來預(yù)測(cè)旋轉(zhuǎn)機(jī)械的運(yùn)行狀態(tài)。然而，僅采用單變量進(jìn)行故障預(yù)測(cè)顯然是不合理的。例如，對(duì)煙氣輪機(jī)而言，機(jī)組的煙氣入口和出口的溫度、壓力，煙氣輪機(jī)、聯(lián)軸器、發(fā)電機(jī)的振動(dòng)以及連接軸的軸向位移等都是表征機(jī)組正常運(yùn)行與否的重要參數(shù)。為了能夠掌握機(jī)組的運(yùn)行狀況，在機(jī)組上相應(yīng)位置安裝了溫度、壓力、鍵相和振動(dòng)等傳感器進(jìn)行監(jiān)測(cè)，從而為診斷和預(yù)測(cè)提供數(shù)據(jù)。

煙氣輪機(jī)機(jī)組測(cè)點(diǎn)布置如圖3所示。

圖3 機(jī)組測(cè)點(diǎn)布置Fig.3 Allocation of measurements

常見的基于單變量振動(dòng)數(shù)據(jù)的狀態(tài)預(yù)測(cè)技術(shù)無法利用多維測(cè)量數(shù)據(jù)的有效信息，難以檢測(cè)性能退化初期微弱的故障征兆。為了處理多個(gè)相關(guān)測(cè)量變量的聯(lián)合監(jiān)測(cè)問題，人們于20世紀(jì)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(jìn)行數(shù)據(jù)建模，并提出了相應(yīng)的過程監(jiān)控方法。多變量預(yù)測(cè)可以把同一時(shí)刻的測(cè)量數(shù)據(jù)中多個(gè)變量間的內(nèi)在聯(lián)系和相互影響考慮在內(nèi)。例如，Li等人將統(tǒng)計(jì)過程監(jiān)控方法用于故障預(yù)測(cè)，取得了很好的效果。目前，國(guó)際上基于多變量數(shù)據(jù)的故障預(yù)測(cè)方法的研究才剛剛起步，成果相對(duì)較少。因此，研究多變量數(shù)據(jù)驅(qū)動(dòng)的旋轉(zhuǎn)機(jī)械故障預(yù)測(cè)方法具有廣泛的發(fā)展空間。

2.2 非線性和非平穩(wěn)問題

旋轉(zhuǎn)機(jī)械系統(tǒng)是一類復(fù)雜非線性動(dòng)力系統(tǒng)。從工程中所獲得的設(shè)備運(yùn)行狀態(tài)的動(dòng)態(tài)信號(hào)，其平穩(wěn)性是相對(duì)的、非平穩(wěn)性是絕對(duì)的和廣泛的。旋轉(zhuǎn)機(jī)械運(yùn)行的狀態(tài)特征信息具有非線性、非平穩(wěn)特性，導(dǎo)致其故障預(yù)測(cè)面臨著大量復(fù)雜的非線性、非平穩(wěn)動(dòng)態(tài)信號(hào)，需要用到非線性的數(shù)據(jù)模型，例如，核主元分析(kernel principal component analysis，KPCA)等。傳統(tǒng)的數(shù)據(jù)模型多假設(shè)測(cè)量變量的分布是多元高斯分布，這與實(shí)際數(shù)據(jù)不相符合，需要用非高斯的數(shù)據(jù)模型，例如，獨(dú)立主元分析(independent component analysis，ICA)。隨著故障檢測(cè)和預(yù)測(cè)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(shù)據(jù)模型的旋轉(zhuǎn)機(jī)械故障預(yù)測(cè)方法具有重大的現(xiàn)實(shí)意義和應(yīng)用價(jià)值。

2.3 網(wǎng)絡(luò)化預(yù)測(cè)問題

旋轉(zhuǎn)機(jī)械故障預(yù)測(cè)還存在對(duì)象數(shù)據(jù)獲取和算法驗(yàn)證困難等問題。故障預(yù)測(cè)算法的開發(fā)和驗(yàn)證工作都離不開大量對(duì)象系統(tǒng)數(shù)據(jù)的支持。數(shù)據(jù)來源一般概括為三類:一是實(shí)際工況數(shù)據(jù)，此類數(shù)據(jù)可以涵蓋已知對(duì)象各種工況、負(fù)載和環(huán)境因素，數(shù)據(jù)真實(shí)可靠，但需要構(gòu)建數(shù)據(jù)獲取平臺(tái);二是基于實(shí)驗(yàn)臺(tái)的故障注入實(shí)驗(yàn)數(shù)據(jù)，此類數(shù)據(jù)的真實(shí)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(duì)象實(shí)際故障演化過程;三是模型仿真數(shù)據(jù)，此類數(shù)據(jù)可以按照算法開發(fā)和驗(yàn)證要求進(jìn)行定制，但其數(shù)據(jù)真實(shí)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(yù)測(cè)方法能夠達(dá)到預(yù)期的目標(biāo)，需要對(duì)其進(jìn)行驗(yàn)證。通常采用的仿真驗(yàn)證難以取得令人信服的驗(yàn)證結(jié)果;而進(jìn)一步采用的實(shí)驗(yàn)臺(tái)模擬實(shí)驗(yàn)驗(yàn)證，也與實(shí)際應(yīng)用環(huán)境有較大差距。較有效的解決途徑是構(gòu)建在線數(shù)據(jù)交互平臺(tái)。

自2007年以來，北京信息科技大學(xué)現(xiàn)代測(cè)控技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室建立了大型機(jī)械設(shè)備RMD8000遠(yuǎn)程在線監(jiān)測(cè)診斷中心。該中心與國(guó)內(nèi)石化、冶金、煤炭等50家大型企業(yè)的近200臺(tái)大型機(jī)械設(shè)備互聯(lián)，可進(jìn)行工業(yè)現(xiàn)場(chǎng)大型機(jī)組的實(shí)時(shí)數(shù)據(jù)分析、實(shí)驗(yàn)研究和方法驗(yàn)證，還可在線提供機(jī)組早期故障預(yù)測(cè)分析結(jié)果，并能夠及時(shí)將數(shù)據(jù)反饋給企業(yè)用戶。

隨著物聯(lián)網(wǎng)技術(shù)的興起，可進(jìn)一步構(gòu)建一種在線實(shí)時(shí)的故障預(yù)測(cè)與健康管理(prognostics and health management，PHM)的物聯(lián)網(wǎng)平臺(tái)，實(shí)現(xiàn)對(duì)旋轉(zhuǎn)機(jī)械遠(yuǎn)程狀態(tài)的監(jiān)測(cè)、故障診斷和故障預(yù)測(cè)。

3 結(jié)束語(yǔ)

本文以煙氣輪機(jī)為例闡述了工業(yè)過程預(yù)測(cè)維護(hù)的意義和重要性，并將現(xiàn)有的旋轉(zhuǎn)機(jī)械故障預(yù)測(cè)方法依據(jù)定性分析的方法(基于知識(shí)的方法)和定量分析的方法(基于模型和基于數(shù)據(jù)的方法)進(jìn)行分類和比較。最后總結(jié)出旋轉(zhuǎn)機(jī)械故障預(yù)測(cè)中有待進(jìn)一步解決的難點(diǎn)問題，并對(duì)此領(lǐng)域未來的發(fā)展方向進(jìn)行了展望。

［1］聞邦椿，武新華，丁千，等.故障旋轉(zhuǎn)機(jī)械非線性動(dòng)力學(xué)的理論與試驗(yàn)［M］.北京:科學(xué)出版社，2004.

［2］盧鵬飛，冀江，楊龍文.中國(guó)催化裂化煙氣輪機(jī)自主創(chuàng)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(dòng)態(tài)系統(tǒng)的故障診斷技術(shù)［J］.自動(dòng)化學(xué)報(bào)，2009，35(6):748 －755.

［4］左云波，王西彬，徐小力.DFAR模型在旋轉(zhuǎn)機(jī)械故障預(yù)測(cè)中的應(yīng)用［J］.中國(guó)機(jī)械工程，2009，20(12):1460 －1463.

［5］楊江天，岳維亮.灰色模型在機(jī)械故障預(yù)測(cè)中的應(yīng)用［J］.機(jī)械強(qiáng)度，2001，23(3):277 －279.

［6］韓志剛.動(dòng)態(tài)系統(tǒng)預(yù)報(bào)的一種新方法［J］.自動(dòng)化學(xué)報(bào)，1983，9(3):161 －168.

［7］朱春梅，徐小力，張建民.基于混沌時(shí)間序列的旋轉(zhuǎn)機(jī)械非平穩(wěn)狀態(tài)預(yù)測(cè)方法研究［J］.機(jī)械設(shè)計(jì)與制造，2006(12):103－105.

［8］許寶杰，韓秋實(shí)，徐小力.基于隱馬爾可夫模型的機(jī)器狀態(tài)趨勢(shì)預(yù)測(cè)方法［J］.精密制造與自動(dòng)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(zhuǎn)子系統(tǒng)故障推理智能專家系統(tǒng)的研究與實(shí)現(xiàn)［J］.計(jì)量與測(cè)試技術(shù)，2004，31(8):12 －13.

［15］靳春梅，樊靈，邱陽(yáng)，等.旋轉(zhuǎn)機(jī)械故障智能診斷與預(yù)報(bào)方法綜合研究［J］.機(jī)械，2000，27(z1):24 －27.