基于機器學習的大型擠壓造粒機組故障診斷預測技術研究

張建超，王立娜，王延楓，范大偉

（1.北京機械工業(yè)自動化研究所有限公司，北京 100120 ；2.內(nèi)蒙古交通職業(yè)技術學院，內(nèi)蒙古 024005；3.內(nèi)蒙古蒙藥股份有限公司，內(nèi)蒙古 028000；4.內(nèi)蒙古天奇蒙藥集團有限公司，內(nèi)蒙古 024000）

0 引言

擠壓造粒機是集機電儀一體的大型低速重載設備，其故障情況涉及齒輪、螺桿、油液等多方面因素，對其故障的預測診斷一直是行業(yè)的痛點和難點，本項目擬通過機器學習的方式，通過多源數(shù)據(jù)建模分析，研究擠壓造粒機故障預測及診斷技術。

1 擠壓造粒機組故障診斷預測技術概述

1.1 擠壓造粒機組概述

擠壓造粒機組是石化企業(yè)的核心設備，是將聚合物反應釜聚合出來的聚烯烴粉末狀聚合物變成幾何形狀規(guī)則的顆粒的裝置，擠出造粒的原理是將聚烯烴（聚乙烯、聚丙烯）原料與添加劑融合，經(jīng)過濾處理后投入擠壓造粒機，通過高溫熔融、冶煉、過濾和擠出處理，再由水下切粒機將其加工為顆粒并隨刀具和模板中的流水帶出。

從結構上，擠壓造粒機一般由熔融齒輪泵、主電機、主齒輪箱、螺桿、切粒系統(tǒng)等組成，如圖1所示。

圖1 擠壓造粒機結構模型

1.2 擠壓造粒機組故障診斷預測技術研究的意義

關鍵機組設備故障的提前診斷預測，避免非計劃停車，是設備運維管理的首要目標。突發(fā)的設備故障造成的非計劃停車是影響生產(chǎn)的關鍵因素，給企業(yè)帶來的損失巨大，以某石化管理的8臺擠壓機為例，2020年1～10月份非計劃停車近800小時，以每小時50萬元的損失，直接經(jīng)濟損失近4億元。因此研究擠壓造粒機設備故障在線診斷預測技術，提升設備運維水平，降低非計劃停車，直接經(jīng)濟效益明顯，同時在線運維水平的提高也可以在降低維保人員、降低備件庫存等方面帶來效益。

2 擠壓造粒機組故障診斷預測技術現(xiàn)狀及趨勢

2.1 擠壓造粒機組常見故障

擠壓造粒機組作為連續(xù)高速運轉(zhuǎn)的設備，通過實際收集到的運行故障來看，其故障主要集中在齒輪箱、螺桿、軸承、電機等關鍵核心部件，具體表現(xiàn)為：

1）行星輪機組崩齒、斷齒、齒傷、齒面崩損；

2）軸承磨損、軸承內(nèi)圈裂紋、軸承溫度高、軸向振動超標、軸向竄量偏大；

3）螺桿斷裂；

4）主電機反轉(zhuǎn)器損壞；

5）油液系統(tǒng)出現(xiàn)金屬磨損細屑；

6）筒體裂紋漏水、閥芯卡澀等。

2.2 當前故障診斷預測技術及不足

隨著設備自身診斷水平的提高及設備運行狀態(tài)監(jiān)控技術的應用，目前大型擠壓造粒機組均具備運行狀態(tài)監(jiān)控功能，通過監(jiān)控關鍵運行參數(shù)的超差，結合實際經(jīng)驗對故障進行診斷預測，同時，針對參數(shù)監(jiān)控無法覆蓋的故障，如軸承裂紋、螺桿斷裂、齒輪箱漏油等，采取人工巡檢和定期檢修的方式進行判斷排查。如前文所述，擠壓機結構復雜，其故障的構成和表現(xiàn)均是多方面的，從現(xiàn)有診斷預測技術的實際效果來看，存在如下不足之處：

1）參數(shù)監(jiān)測不完整，從傳感器加裝及數(shù)據(jù)采集情況來看，未有效覆蓋診斷預測所需運行信號；

2）分析判斷機械化、剛性，限于基于現(xiàn)有的參數(shù)指標分析判斷，缺乏參數(shù)的關聯(lián)分析、綜合分析；

3）人工巡檢及定期檢修的滯后性，人工經(jīng)驗的局限性，缺少對故障的實時分析判斷及診斷預測，且定期停機檢修也是對生產(chǎn)時間的無效浪費。

2.3 故障診斷預測技術的改進方向

通過以上分析可以看出，由于擠壓造粒機自身結構的復雜，導致其運行故障具備多樣性，進而增加了故障診斷預測的難度，暴露了傳統(tǒng)診斷技術基于人工及簡單參數(shù)判斷的局限性。

從解決當前技術的不足入手，基于更多運行參數(shù)的綜合分析、實時分析成為故障診斷預測技術的改進方向，隨著計算機算力、大數(shù)據(jù)、人工智能等技術的發(fā)展，此方向的研究及實現(xiàn)成為可能，本文研究探討的即是基于機器學習的故障診斷預測技術。

3 基于機器學習的擠壓造粒機組故障診斷預測技術

3.1 故障預測分析流程圖

按照建模、數(shù)據(jù)采集、處理、分析的邏輯，設備故障預測分析的一般流程圖如圖2所示。

圖2 設備故障預測分析一般流程圖

其中，運行信號的采集，故障模型的建立及自學習，是本研究的關鍵。

3.2 故障類型與采集參數(shù)

通過分析擠壓造粒機的零部件構成、機理模型及常見故障情況，其故障類型及對應的相關采集參數(shù)如表1所示。

表1 故障類別與采集參數(shù)對照表

結合設備構成，其采集參數(shù)示意如圖3所示。

圖3 擠壓造粒機組運行參數(shù)采集模型

3.3 采集參數(shù)與對應傳感器選型

由于目前擠壓造粒機自身不完全具備相關運行參數(shù)的數(shù)據(jù)采集和輸出，需通過加裝傳感器的方式對相關數(shù)據(jù)進行采集，根據(jù)運行參數(shù)的特性，考慮實際可操作性，需加裝的傳感器選型如表2所示。

表2 采集參數(shù)與傳感器選型

3.4 故障預測模型建立與算法使用

針對擠壓造粒機的常見故障情況，本文建立的故障模型及相應的分析算法如下：

表3 故障模型建立與分析算法

3.5 電機故障預測實例分析

在以上針對設備機理模型、運行信號采集及分析模型建立的基礎上，本研究以某石化企業(yè)電機運行實際數(shù)據(jù)進行電機故障診斷預測分析，以驗證分析模型及研究技術的有效性。

數(shù)據(jù)集為從電機傳感器獲取的振動信號，采集間隔為2小時，采集頻率為2560Hz，單個樣本包含8192個數(shù)據(jù)點，原始數(shù)據(jù)集如圖4所示。

圖4 數(shù)據(jù)集樣本分布圖

從時域監(jiān)測值可以看出，在11月1日2點采集的信號中出現(xiàn)異常值，然而在下一節(jié)點采樣時，異常值消失，初步推測，設備可能遭受沖擊，有間歇故障的可能。

對數(shù)據(jù)進行傅里葉變換，進一步分析如圖5所示。

圖5 頻率分析圖

如圖5所示，304Hz處能量升高，增幅達68.4%，隨后又下降至正常水平，在15%水平浮動，結合故障頻率304Hz，與基頻的整數(shù)倍比較接近，初步判斷可能是旋轉(zhuǎn)部件出現(xiàn)故障，經(jīng)與廠家確認，該泵垂直振動烈度上升0.5。

進一步對數(shù)據(jù)進行CEEMD分解及MED降噪，如圖6所示。

圖6 信號數(shù)據(jù)處理及結果圖

CEEMD分解將信號按數(shù)據(jù)本身尺度進行自適應分解，剔除冗余IMF分量后再對信號進行重構，提高信號的信噪比，在此基礎上，利用MED降噪，進一步提純信號，從后續(xù)功率譜圖可以看出，特征頻率更加突出。

進一步對信號求取功率譜密度，與頻譜分析得到了相似的結論，如圖7所示。

圖7 功率譜密度圖

通過以上分析，初步斷定2020年11月1日2時電機出現(xiàn)了間歇故障，特征頻率為304Hz，此結論與廠家記錄的設備實際運行情況相吻合，驗證了該分析技術的有效性。

4 結語

以上僅以電機運行故障診斷預測為例，驗證了基于數(shù)據(jù)樣本、機器學習的設備故障診斷預測技術，從本文的研究內(nèi)容來看，應用該技術對齒輪箱、軸承、螺桿等故障進行分析預測，進而形成擠壓造粒機綜合預測模型，可實現(xiàn)對大型擠壓造粒機組運行故障的在線診斷及預測。