機(jī)械密封狀態(tài)監(jiān)測(cè)與故障診斷技術(shù)研究進(jìn)展*

劉 柱 丁雪興 丁俊華 徐理善

（蘭州理工大學(xué)石油化工學(xué)院 甘肅蘭州 730050）

隨著科學(xué)技術(shù)和生產(chǎn)自動(dòng)化過(guò)程的發(fā)展和進(jìn)步，人們對(duì)機(jī)械運(yùn)行過(guò)程的可靠性和智能維護(hù)提出了更高的要求， 具有集成的健康管理和診斷策略成為系統(tǒng)運(yùn)行生命周期的重要組成部分［1］。 機(jī)械密封是旋轉(zhuǎn)機(jī)械如離心泵、 離心機(jī)、 反應(yīng)釜和壓縮機(jī)等的軸封裝置，是保證大型旋轉(zhuǎn)機(jī)械穩(wěn)定持久運(yùn)行的核心部件［2］。 一旦出現(xiàn)密封失效， 輕則影響設(shè)備運(yùn)行， 造成經(jīng)濟(jì)損失， 重則引發(fā)重大事故災(zāi)害， 威脅人們生命安全［3-4］。 因此對(duì)機(jī)械密封運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)測(cè)和故障分析， 具有重大研究意義。

在機(jī)械密封領(lǐng)域， 已有少量文獻(xiàn)提及智能化概念［5］。 對(duì)機(jī)械密封狀態(tài)監(jiān)測(cè)和故障診斷的研究， 前人也已經(jīng)做了部分工作， 包括密封振動(dòng)信號(hào)分析、 機(jī)械密封聲發(fā)射信號(hào)降噪方法、 干氣密封端面接觸狀態(tài)的聲發(fā)射監(jiān)測(cè)和機(jī)械密封壽命預(yù)測(cè)等。 但機(jī)械密封狀態(tài)監(jiān)測(cè)和故障診斷的研究， 尚在起步階段， 還沒(méi)有系統(tǒng)的研究和應(yīng)用， 需要進(jìn)一步地深入研究和發(fā)展。

本文作者對(duì)機(jī)械密封狀態(tài)監(jiān)測(cè)和故障診斷中的信號(hào)處理方法進(jìn)行系統(tǒng)闡述， 分析不同方法的原理和優(yōu)缺點(diǎn)， 以及在信號(hào)處理中的實(shí)際運(yùn)用； 針對(duì)具體的機(jī)械密封傳感信號(hào)處理流程， 從信號(hào)的獲取到降噪和重構(gòu)、 特征提取、 模式識(shí)別以及壽命預(yù)測(cè)， 總結(jié)目前研究進(jìn)展， 并對(duì)機(jī)械密封智能化運(yùn)維未來(lái)發(fā)展方向進(jìn)行分析與展望。

1 國(guó)內(nèi)外研究現(xiàn)狀及分析

機(jī)械密封狀態(tài)監(jiān)測(cè)和故障診斷的主要研究思路和過(guò)程如圖1 所示。 （1） 通過(guò)信號(hào)采集裝置獲取包含機(jī)械密封運(yùn)行狀態(tài)的多源信號(hào)； （2） 對(duì)信號(hào)進(jìn)行預(yù)處理提取特征信息， 包括對(duì)原始信號(hào)的降噪處理和重構(gòu)， 頻譜分析， 利用經(jīng)驗(yàn)?zāi)B(tài)、 局部均值分解、 局部特征尺度分解、 同步壓縮變換等信號(hào)處理方法， 對(duì)信號(hào)進(jìn)行時(shí)頻分析等； （3） 應(yīng)用信息融合技術(shù)， 包括神經(jīng)網(wǎng)絡(luò)、 支持向量機(jī)、 D-S 證據(jù)理論、 隱馬爾科夫模型等方法， 進(jìn)行機(jī)械密封故障模式識(shí)別和壽命預(yù)測(cè)。 針對(duì)以上三個(gè)環(huán)節(jié)， 國(guó)內(nèi)外學(xué)者開(kāi)展了一系列研究工作， 每個(gè)環(huán)節(jié)都有學(xué)者進(jìn)行過(guò)深入研究， 但系統(tǒng)的機(jī)械密封故障診斷模型， 文獻(xiàn)中鮮有提及。 而機(jī)械密封智能化故障診斷在由理論到應(yīng)用的過(guò)程中， 必須搭建系統(tǒng)的密封信號(hào)監(jiān)測(cè)和故障診斷模型。

圖1 故障診斷流程Fig.1 Fault diagnosis flow

1.1 信號(hào)的獲取

信號(hào)具有能量， 是具體的物理量。 機(jī)械設(shè)備運(yùn)行過(guò)程當(dāng)中會(huì)產(chǎn)生大量的信號(hào)， 如溫度、 壓力、 振動(dòng)等， 這些信號(hào)通常包含了豐富的設(shè)備狀態(tài)信息。 信號(hào)獲取是機(jī)械密封故障診斷的第一步， 為保證信號(hào)特征信息提取和模式識(shí)別的有效性， 必須獲取能正確反映機(jī)械設(shè)備狀態(tài)的信號(hào)。 在機(jī)械密封故障診斷的研究中， 主要監(jiān)測(cè)信號(hào)包括聲發(fā)射信號(hào)、 振動(dòng)信號(hào)、 密封環(huán)溫度和密封腔壓力等。 在這些信號(hào)的研究過(guò)程中， 已有學(xué)者做了大量工作， 為后續(xù)的研究鑒定了基礎(chǔ)。

1.1.1 聲發(fā)射信號(hào)

材料中局域源快速釋放能量產(chǎn)生瞬態(tài)彈性波的現(xiàn)象稱為聲發(fā)射（Acoustic Emission， AE）， 通常材料變形和斷裂、 流體泄漏、 物體間摩擦?xí)r都有聲發(fā)射發(fā)生。 聲發(fā)射技術(shù)作為一種無(wú)損監(jiān)測(cè)方式， 在安裝聲發(fā)射傳感器時(shí)， 無(wú)需改變密封結(jié)構(gòu)， 可直接將聲發(fā)射傳感器安裝在密封殼體上采集聲發(fā)射信號(hào)。 聲發(fā)射采集流程如圖2 所示， 聲發(fā)射傳感器感應(yīng)到的信號(hào)由低噪聲信號(hào)線傳輸， 經(jīng)前置放大器放大后， 通過(guò)同軸電纜傳遞到聲發(fā)射信號(hào)分析裝置進(jìn)行分析。 聲發(fā)射技術(shù)很早就被用于密封狀態(tài)監(jiān)測(cè)研究， 最早是WILLIAMS、MIETTINEN 等［6-7］將聲發(fā)射技術(shù)用于機(jī)械密封監(jiān)測(cè)。此后， 由于聲發(fā)射在感知物體摩擦磨損方面的卓越表現(xiàn)， 國(guó)內(nèi)外學(xué)者利用聲發(fā)射技術(shù)研究了干氣密封端面接觸狀態(tài)， 建立了機(jī)械端面磨損狀態(tài)評(píng)估模型， 并取得了一系列的研究成果［8-19］。

圖2 聲發(fā)射信號(hào)采集流程Fig.2 Flow of acoustic emission signal acquisition

1.1.2 振動(dòng)信號(hào)

振動(dòng)信號(hào)通常包含了大量的設(shè)備狀態(tài)信息， 這些種類(lèi)豐富的信息通常能反映出設(shè)備的不同運(yùn)行狀態(tài)，基于振動(dòng)信號(hào)的信號(hào)分析方法在機(jī)械領(lǐng)域已經(jīng)得到廣泛應(yīng)用［20］。 采集振動(dòng)信號(hào)時(shí)， 需要在密封件端蓋端面開(kāi)孔， 將振動(dòng)傳感器引入密封結(jié)構(gòu)內(nèi)部， 安裝固定于端蓋內(nèi)部至距離動(dòng)靜環(huán)位置最近處。 在密封領(lǐng)域，ETSION 和CONSTANTINESCU［21］采用電渦流傳感器檢測(cè)出靜環(huán)的振動(dòng)幅值和振動(dòng)頻率。 LEE 和GREEN［22］采用電渦流傳感器測(cè)試了靜環(huán)振動(dòng)信息， 分析了靜環(huán)與轉(zhuǎn)軸的振動(dòng)頻率， 取得了一些研究成果。 丁雪興研究團(tuán)隊(duì)采用高精度改進(jìn)型的電渦流微型傳感器和高速數(shù)據(jù)采集卡， 在不同工況下， 對(duì)螺旋槽干氣密封氣膜平衡位移和氣膜振動(dòng)位移進(jìn)行測(cè)量， 研究了干氣密封氣膜穩(wěn)定特性［23-26］。 CHEN 等［27］利用電渦流傳感器測(cè)量了干氣密封氣膜厚度， 同時(shí)也監(jiān)測(cè)了靜環(huán)的振幅， 并取得了階段性成果。 陳金林等［28］采用加速度傳感器采集了密封環(huán)摩擦振動(dòng)信號(hào)， 通過(guò)相空間重構(gòu)， 得到了摩擦振動(dòng)信號(hào)的相軌跡和混沌參數(shù)。 LUO等［29］采用振動(dòng)加速傳感器采集泵體的流量、 進(jìn)口壓力、 出口壓力、 振動(dòng)加速度信號(hào)等振動(dòng)信息， 對(duì)離心泵機(jī)械密封磨損及損傷程度下的振動(dòng)特性進(jìn)行了分析。

1.1.3 其他信號(hào)

機(jī)械密封運(yùn)行過(guò)程中， 溫度、 壓力、 扭矩、 轉(zhuǎn)速、 流量等信號(hào)從不同方面反映了密封運(yùn)行的狀態(tài)。為了獲得“高品質(zhì)” 的信號(hào)， 研究人員將傳感器引入密封內(nèi)部以獲取溫度、 壓力等信號(hào)， 從而更加精確地監(jiān)測(cè)密封運(yùn)行狀態(tài)。 孫見(jiàn)君等［30］指出機(jī)械密封的控制參數(shù)主要有端面溫度、 膜厚、 摩擦扭矩、 泄漏量和端面比壓。 俞樹(shù)榮等［24］通過(guò)試驗(yàn)測(cè)得了干氣密封的性能參數(shù)， 并通過(guò)分析指出密封氣膜壓力、 氣膜厚度、 泄漏量、 功耗隨著壓力和轉(zhuǎn)速的升高而增大。 李云明和吳方［31］設(shè)計(jì)了機(jī)械密封性能參數(shù)測(cè)量系統(tǒng)，用于在特定工況下測(cè)量介質(zhì)壓力、 溫度、 泄漏量、 轉(zhuǎn)速、 扭矩等密封信號(hào)。 陸俊杰等［32］通過(guò)測(cè)試機(jī)械密封端面溫度， 研究了不同工況下端面溫度的分布和其原因。 魏龍等人［33］通過(guò)理論計(jì)算和試驗(yàn)， 研究分析了彈簧比壓、 密封流體壓力和轉(zhuǎn)速等參數(shù)對(duì)機(jī)械密封端面摩擦因數(shù)的影響。 王建磊等［34］利用超聲檢測(cè)技術(shù)實(shí)現(xiàn)了對(duì)機(jī)械密封潤(rùn)滑膜的精確測(cè)量， 并將誤差控制到0.2～1.1 μm。 SHEIKHANSARI 等［35］介紹了一種在潤(rùn)滑系統(tǒng)環(huán)境下評(píng)估航空密封的裝置， 并通過(guò)實(shí)驗(yàn)表明密封壓力及出口溫度的實(shí)時(shí)測(cè)量可以提供不同運(yùn)行條件下密封運(yùn)行狀態(tài)的充分信息。

研究表明， 密封設(shè)備的運(yùn)行狀態(tài)受到不同性能參數(shù)的影響， 單一信號(hào)源已不能滿足機(jī)械密封的狀態(tài)監(jiān)測(cè)， 只有多元化的綜合信號(hào)， 才能全面地反映密封的實(shí)時(shí)狀態(tài)， 只有在密封多源信號(hào)的協(xié)同作用下， 才能更加精準(zhǔn)地對(duì)密封運(yùn)行故障做出診斷。 因此， 多種信號(hào)相互協(xié)同作用下的狀態(tài)監(jiān)測(cè)和故障診斷， 是未來(lái)密封運(yùn)行狀態(tài)監(jiān)測(cè)的發(fā)展趨勢(shì)。 目前， 在實(shí)驗(yàn)室研究中， 已經(jīng)可以借助豐富的測(cè)量手段獲得大量機(jī)械密封原始信號(hào)用于密封運(yùn)行狀態(tài)的監(jiān)測(cè)和故障診斷。 圖3所示為浙大寧波理工學(xué)院“高超密封數(shù)字設(shè)計(jì)與先進(jìn)測(cè)控聯(lián)合實(shí)驗(yàn)室” 的機(jī)械密封多源信號(hào)采集試驗(yàn)臺(tái)， 試驗(yàn)臺(tái)可同時(shí)采集機(jī)械密封運(yùn)行時(shí)的聲發(fā)射信號(hào)、 壓力信號(hào)、 振動(dòng)信號(hào)和溫度信號(hào)。

圖3 密封多源信號(hào)采集試驗(yàn)臺(tái)Fig.3 Multi-source signal acquisition test bench of seals

1.2 信號(hào)預(yù)處理方法

信號(hào)預(yù)處理是對(duì)原始信號(hào)的降噪和特征信息的提取。 在機(jī)械密封運(yùn)行過(guò)程中， 軸承和其他零部件也會(huì)釋放信號(hào)， 采集到的信號(hào)中會(huì)有多種干擾成分， 甚至有用信息還會(huì)淹沒(méi)在噪聲當(dāng)中。 所以對(duì)采集到的原始信號(hào)必須做降噪處理， 去除干擾成分； 之后再采用信號(hào)分解方法和譜分析等提取信號(hào)特征信息， 用于最后的模式識(shí)別。

1.2.1 信號(hào)降噪

對(duì)于信號(hào)降噪的研究， 國(guó)內(nèi)外學(xué)者已經(jīng)做了大量的研究。 小波變換為解決非平穩(wěn)信號(hào)降噪等問(wèn)題提供了有效解決途徑。 小波去噪技術(shù)包括閾值去噪法［36-37］、 模極大值去噪法［38］、 尺度模型去噪法［39］。小波去噪技術(shù)雖然應(yīng)用廣泛， 但在研究過(guò)程中也發(fā)現(xiàn)其存在一些不足。 為了改進(jìn)克服小波閾值的不足， 學(xué)者們相繼提出了經(jīng)驗(yàn)?zāi)B(tài)、 集合經(jīng)驗(yàn)?zāi)B(tài)、 局部均值等分解方法和小波去噪相結(jié)合的去噪方法［40-44］。 該去噪方法的主要流程如圖4 所示， 先用經(jīng)驗(yàn)?zāi)B(tài)等方法分解原始信號(hào)， 再利用原始信號(hào)和分量之間的相關(guān)系數(shù)將純凈分量和含噪分量分開(kāi)， 最后對(duì)含噪分量進(jìn)行小波閾值降噪后與純凈分量相結(jié)合。 此外，VARGAS等［45］提出了一種利用小波和雙閾值估計(jì)的信號(hào)降噪方法； WANG 等［46］提出了一種基于信號(hào)波形類(lèi)型的快速RDTS 降噪方法； 林志斌等［47］提出了基于經(jīng)驗(yàn)小波變換和經(jīng)驗(yàn)熵的聲發(fā)射信號(hào)降噪方法。

圖4 信號(hào)降噪流程Fig.4 Signal noise reduction flow

1.2.2 特征提取

信號(hào)特征提取就是利用信號(hào)分析技術(shù)對(duì)獲取的傳感信號(hào)進(jìn)行處理， 從中提取出能夠反映機(jī)械設(shè)備運(yùn)行狀態(tài)的特征， 用于機(jī)械密封狀態(tài)監(jiān)測(cè)和故障診斷。 這些特征主要包括時(shí)域特征、 頻域特征、 時(shí)頻域特征，當(dāng)設(shè)備運(yùn)行狀態(tài)發(fā)生變化時(shí)， 傳感器采集到的信號(hào)就會(huì)存在不同特征， 如何有效地把反映設(shè)備不同狀態(tài)的特征提取出來(lái)是保障機(jī)械故障診斷的關(guān)鍵。 因此， 有學(xué)者們對(duì)信號(hào)特征提取進(jìn)行了深入研究。

小波變換是當(dāng)前應(yīng)用較為廣泛的時(shí)頻分析方法，包括離散小波變換、 連續(xù)小波變換和小波包變換［48-49］。 小波變換能同時(shí)提供信號(hào)時(shí)域和頻域的局部化信息， 但其不具備自適應(yīng)性， 受人為選擇因素影響較大。 HUANG 等［50］于1998 年提出了經(jīng)驗(yàn)?zāi)B(tài)分解（Empirical Mode Decomposition， EMD） 方法， 改變了之前人們對(duì)于非線性、 非平穩(wěn)信號(hào)無(wú)法處理的局面。 經(jīng)驗(yàn)?zāi)B(tài)法提出以后， 就受到了學(xué)者們的廣泛關(guān)注， 并在機(jī)械故障診斷領(lǐng)域取得了豐碩成果［51-56］。但在研究過(guò)程中， 學(xué)者們也發(fā)現(xiàn)經(jīng)驗(yàn)?zāi)B(tài)法在處理信號(hào)時(shí)也存在一些邊界效應(yīng)和模態(tài)混疊等問(wèn)題［57］。 為了克服EMD 算法的缺陷， 2009 年WU 和HUANG［58］提出了集合經(jīng)驗(yàn)?zāi)B(tài)分解（Ensemble Empirical Mode Decomposition， EEMD） 方法。 集合經(jīng)驗(yàn)?zāi)B(tài)分解方法解決了檢驗(yàn)?zāi)B(tài)分解模態(tài)混疊和端點(diǎn)效應(yīng)的問(wèn)題，但也大大增加了計(jì)算時(shí)間。 英國(guó)學(xué)者SMITH［59］于2005 年提出一種局部均值分解（Local Mean Decomposition， LMD） 方法。 該方法提出后在機(jī)械故障診斷領(lǐng)域得到了廣泛應(yīng)用， 并取得了一些研究成果［60-61］。但該方法也存在運(yùn)算量大和模態(tài)混疊等問(wèn)題。 2012年程軍圣等［62］提出局部特征尺度分解（Local Characteristic-scale Decomposition， LCD） 方法。 LCD 方法是在內(nèi)稟時(shí)間尺度分解（ITD） 的基礎(chǔ)上進(jìn)行改進(jìn)的一種新的自適應(yīng)信號(hào)分解方法， 能夠?qū)⒎瞧椒€(wěn)信號(hào)分解成不同尺度下的內(nèi)稟尺度分量（ISC）， 對(duì)信號(hào)的局部信息進(jìn)行有效地表征。 對(duì)振動(dòng)信號(hào)的ISC 分量做包絡(luò)譜分析， 仿真信號(hào)實(shí)驗(yàn)和對(duì)軸承故障試驗(yàn)信號(hào)的特征提取表明， LCD 在抑制端點(diǎn)效應(yīng)和模態(tài)混疊方面比EMD 性能更優(yōu)， 并且具備更高的運(yùn)算效率［63-64］。 此外， FENG 等［65］提出了迭代廣義同步壓縮變換方法，用于時(shí)變工況行星齒輪箱故障的特征提取。

學(xué)者們將上述特征提取方法應(yīng)用到機(jī)械密封的狀態(tài)監(jiān)測(cè)和故障診斷的研究中， 并取得了較好的成效。張爾卿等［66］采用經(jīng)驗(yàn)?zāi)B(tài)分解（EMD） 法對(duì)機(jī)械密封原始聲發(fā)射信號(hào)進(jìn)行分離提取， 表明EMD 法能夠?qū)⑿盘?hào)分解為不同時(shí)間尺度和不同頻帶的一系列固有模態(tài)函數(shù)， 然后根據(jù)能量分布特征對(duì)偽分量進(jìn)行剔除， 得到“近源” 聲發(fā)射信號(hào)。 張菲等人［67］對(duì)機(jī)械密封聲發(fā)射信號(hào)進(jìn)行分幀處理， 運(yùn)用EEMD 方法對(duì)信號(hào)進(jìn)行時(shí)頻分析， 對(duì)分解出的子頻分量分別提取時(shí)域和頻域特征， 試驗(yàn)結(jié)果表明EEMD 方法能有效提取機(jī)械密封運(yùn)行過(guò)程中的聲發(fā)射信號(hào)特征。 陳金林等［28］通過(guò)試驗(yàn)研究了干氣密封環(huán)在磨合過(guò)程的變化特征， 并利用EEMD 方法提取了密封端面間的摩擦振動(dòng)信號(hào)。 孫鑫暉等［68］提出了一種基于SVD-AVMD的液膜密封聲發(fā)射特征提取方法， 并通過(guò)試驗(yàn)驗(yàn)證了該方法的有效性和實(shí)用性。 信號(hào)特征提取是機(jī)械密封狀態(tài)監(jiān)測(cè)和故障診斷的關(guān)鍵步驟， 探索專(zhuān)門(mén)適用于密封信號(hào)特征提取的方法， 是今后研究的重要領(lǐng)域。

1.3 模式識(shí)別及壽命預(yù)測(cè)

故障診斷的實(shí)質(zhì)是對(duì)機(jī)械設(shè)備運(yùn)行狀態(tài)的精確識(shí)別。 在機(jī)械裝備智能化快速發(fā)展的推動(dòng)下， 模式識(shí)別方法越來(lái)越成熟。 應(yīng)用信息融合技術(shù)， 包括回歸算法、 支持向量機(jī)、 人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)等方法，對(duì)機(jī)械密封進(jìn)行故障模式識(shí)別和壽命預(yù)測(cè)， 是目前的研究方向之一。

1.3.1 模式識(shí)別

支持向量機(jī)（SVM） 是在目標(biāo)識(shí)別、 圖像分類(lèi)和故障診斷等領(lǐng)域中應(yīng)用比較廣泛的一種機(jī)器學(xué)習(xí)方法， 其理論基礎(chǔ)是現(xiàn)代統(tǒng)計(jì)學(xué)。 2017 年聶建平［69］采用支持向量機(jī)對(duì)離心泵故障類(lèi)型進(jìn)行了模式識(shí)別， 實(shí)驗(yàn)表明所提取特征具有良好的識(shí)別率。 2018 年蔣恩超［70］提出了基于遺傳算法優(yōu)化的多分類(lèi)孿生支持向量機(jī)， 利用端面狀態(tài)監(jiān)測(cè)實(shí)驗(yàn)采集的聲發(fā)射信號(hào)特征對(duì)端面摩擦狀態(tài)進(jìn)行分類(lèi)， 得到了較高的分類(lèi)準(zhǔn)確率。

人工神經(jīng)網(wǎng)絡(luò)（Artificial Neural Network， ANN）是由一個(gè)輸入層、 一個(gè)輸出層以及一個(gè)或多個(gè)隱含層組成的網(wǎng)絡(luò)結(jié)構(gòu)， 其中每一層由多個(gè)節(jié)點(diǎn)構(gòu)成［71］。2016 年李曉暉［72］利用Elman 神經(jīng)網(wǎng)絡(luò)建立了密封端面磨損狀態(tài)評(píng)估模型， 并對(duì)2 個(gè)神經(jīng)網(wǎng)絡(luò)的決策結(jié)果進(jìn)行了融合， 提升了密封端面健康狀態(tài)評(píng)估的準(zhǔn)確率。 2017 年李勇凡［73］組合利用數(shù)據(jù)采集、 神經(jīng)網(wǎng)絡(luò)和模糊理論， 設(shè)計(jì)了液膜密封性能評(píng)估軟件， 實(shí)驗(yàn)表明該軟件能夠?qū)崿F(xiàn)對(duì)液膜密封的準(zhǔn)確評(píng)價(jià)。 人工神經(jīng)網(wǎng)絡(luò)由于其優(yōu)秀的泛化能力， 在機(jī)械故障診斷領(lǐng)域應(yīng)用廣泛。

此外， 模糊理論、 遺傳算法、 時(shí)間序列、 回歸分析和深度學(xué)習(xí)等模式識(shí)別方法， 也在機(jī)械故障診斷中得到廣泛應(yīng)用。 2013 年ZHANG 等［74］將時(shí)間序列分析運(yùn)用到齒輪箱的故障診斷和狀態(tài)監(jiān)測(cè)， 取得了一定成果。 深度學(xué)習(xí)是故障診斷研究中的熱點(diǎn)， 2019 年王應(yīng)晨和段修生［75］提出了一種基于降噪自編碼器和深度信念網(wǎng)絡(luò)的融合模型， 并應(yīng)用于滾動(dòng)軸承的故障診斷， 證明該模型有很好的魯棒。 目前， 應(yīng)用于旋轉(zhuǎn)機(jī)械故障特征模式識(shí)別方法漸趨成熟， 為以后機(jī)械密封的故障診斷鑒定了基礎(chǔ)。

1.3.2 壽命預(yù)測(cè)

壽命預(yù)測(cè)是機(jī)械密封健康監(jiān)測(cè)中的重要組成部分， 能夠避免事后維修造成的級(jí)聯(lián)事故和過(guò)度維修帶來(lái)的經(jīng)濟(jì)損失， 從而最大程度地延長(zhǎng)密封設(shè)備的使用壽命。 通過(guò)機(jī)械密封狀態(tài)監(jiān)測(cè)裝置， 對(duì)機(jī)械密封整個(gè)運(yùn)行周期進(jìn)行狀態(tài)監(jiān)測(cè)， 可以揭示密封運(yùn)行過(guò)程中的特征變化， 并準(zhǔn)確地預(yù)測(cè)出密封件的剩余壽命。

對(duì)于機(jī)械密封壽命預(yù)測(cè)的研究， 2015 年張爾卿［76］提出一種灰色粒子濾波預(yù)測(cè)法， 通過(guò)預(yù)測(cè)密封端面磨損量來(lái)預(yù)測(cè)機(jī)械密封剩余壽命， 并通過(guò)實(shí)驗(yàn)證明該方法的有效性和實(shí)用性。 2018 年， 張思聰?shù)龋?7］基于聲發(fā)射技術(shù)通過(guò)實(shí)驗(yàn)采集了多組機(jī)械密封的全壽命數(shù)據(jù)， 并對(duì)數(shù)據(jù)進(jìn)行降噪處理和特征提取， 利用馬氏距離進(jìn)行聲發(fā)射特征融合， 通過(guò)機(jī)械密封退化指標(biāo)訓(xùn)練模型。 實(shí)驗(yàn)表明， 基于聲發(fā)射特征提取的機(jī)械密封壽命預(yù)測(cè)方法能夠有效預(yù)測(cè)機(jī)械密封剩余壽命。

密封壽命預(yù)測(cè)主要針對(duì)極端工況， 特別是空天深海等對(duì)密封有高可靠性要求的應(yīng)用領(lǐng)域。 因此， 對(duì)密封端面運(yùn)行狀態(tài)監(jiān)測(cè)和故障診斷技術(shù)進(jìn)行深入研究，融合密封性能的退化軌跡， 結(jié)合人工神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)處理算法， 建立基于云邊協(xié)同環(huán)境下的物聯(lián)網(wǎng)的密封群組無(wú)線監(jiān)測(cè)與評(píng)價(jià)系統(tǒng)， 建立密封全壽命周期可靠性評(píng)估模型， 從而提升密封在空天高溫高速高壓運(yùn)行環(huán)境下， 以及深海高壓復(fù)雜水域下的運(yùn)行可靠性。

2 機(jī)械密封狀態(tài)監(jiān)測(cè)和故障診斷面臨的問(wèn)題

機(jī)械密封作為大型旋轉(zhuǎn)機(jī)械的核心部件， 對(duì)旋轉(zhuǎn)機(jī)械的健康穩(wěn)定運(yùn)行起著至關(guān)重要的作用。 如何對(duì)機(jī)械密封進(jìn)行狀態(tài)監(jiān)測(cè)和故障診斷， 也是近些年的研究熱點(diǎn)問(wèn)題之一。 在國(guó)內(nèi)外學(xué)者的不斷努力之下， 對(duì)機(jī)械密封狀態(tài)監(jiān)測(cè)和故障診斷的理論研究已經(jīng)取得了諸多成果， 相關(guān)技術(shù)和產(chǎn)品也在不斷發(fā)展進(jìn)步。 然而在實(shí)際工業(yè)應(yīng)用中要真正實(shí)現(xiàn)機(jī)械密封自我監(jiān)測(cè)， 自主分析準(zhǔn)確預(yù)估失效風(fēng)險(xiǎn)和剩余壽命， 不僅需要更低的成本、 更先進(jìn)的監(jiān)測(cè)手段， 還有許多難題亟待解決，主要有：

（1） 缺乏高效實(shí)用的信號(hào)監(jiān)測(cè)手段。

當(dāng)前工業(yè)領(lǐng)域傳感器種類(lèi)很多， 如聲發(fā)射傳感器、 電渦流傳感器、 加速度振動(dòng)傳感器、 溫度傳感器等， 但是并沒(méi)有專(zhuān)門(mén)用于密封狀態(tài)監(jiān)測(cè)的傳感器。 密封現(xiàn)有的信號(hào)監(jiān)測(cè)手段， 一是通過(guò)在密封外部直接測(cè)量得到信號(hào)， 這些信號(hào)通常信噪比不高， 質(zhì)量較差；二是采用植入式的監(jiān)測(cè)手段， 該方法雖然能獲取品質(zhì)相對(duì)較高的信號(hào)， 但需要將傳感器直接安裝到機(jī)械密封結(jié)構(gòu)內(nèi)部， 破壞了密封本身的整體結(jié)構(gòu)， 在實(shí)驗(yàn)室應(yīng)用比較多， 并不適用于工業(yè)生產(chǎn)應(yīng)用。 因此， 依靠當(dāng)前的機(jī)械密封信號(hào)監(jiān)測(cè)手段很難獲得高品質(zhì)、 穩(wěn)定可靠的監(jiān)測(cè)信號(hào)。

（2） 機(jī)械密封狀態(tài)監(jiān)測(cè)和故障診斷系統(tǒng)普適性較差。

影響機(jī)械密封運(yùn)行狀態(tài)的因素諸多， 靠單一的信號(hào)源無(wú)法去監(jiān)測(cè)密封的整體運(yùn)行狀態(tài)。 在機(jī)械密封運(yùn)行的過(guò)程中， 密封的動(dòng)態(tài)特性極為復(fù)雜多變， 動(dòng)環(huán)和靜環(huán)之間的膜壓、 膜厚還有動(dòng)靜環(huán)的振動(dòng)等都會(huì)影響機(jī)械密封的運(yùn)行狀態(tài)。 而且機(jī)械密封裝配于不同類(lèi)型的旋轉(zhuǎn)機(jī)械， 不同的設(shè)備會(huì)有不同的本征參數(shù)和工作環(huán)境。 這些都會(huì)直接影響機(jī)械密封狀態(tài)監(jiān)系統(tǒng)監(jiān)測(cè)的信號(hào)， 導(dǎo)致面對(duì)不同設(shè)備時(shí)， 監(jiān)測(cè)信號(hào)不統(tǒng)一， 密封故障診斷系統(tǒng)不能統(tǒng)一適用。 隨著工業(yè)的快速發(fā)展，越來(lái)越多的機(jī)械密封用戶需要根據(jù)自身需求定制密封產(chǎn)品， 這也使得密封產(chǎn)品的種類(lèi)也日趨豐富， 這也直接導(dǎo)致了密封的狀態(tài)監(jiān)測(cè)越來(lái)越多樣化。

（3） 機(jī)械密封監(jiān)測(cè)數(shù)據(jù)與知識(shí)不能共享利用，該領(lǐng)域內(nèi)不具備大量的密封故障樣本數(shù)據(jù)， 用于推動(dòng)機(jī)械密封故障診斷的快速發(fā)展。

標(biāo)準(zhǔn)大數(shù)據(jù)庫(kù)是完備的機(jī)械密封狀態(tài)監(jiān)測(cè)和故障診斷系統(tǒng)所必須的， 而要收集機(jī)械密封設(shè)備從正常狀態(tài)到密封失效的全壽命動(dòng)態(tài)演化數(shù)據(jù)， 靠單一的力量很難真正實(shí)現(xiàn)， 需要密封領(lǐng)域同仁的共同努力。 但目前還沒(méi)有密封監(jiān)測(cè)數(shù)據(jù)的統(tǒng)一標(biāo)準(zhǔn)， 監(jiān)測(cè)系統(tǒng)也都是相互獨(dú)立的， 不同監(jiān)測(cè)系統(tǒng)之間也沒(méi)有交流和通信，導(dǎo)致研究領(lǐng)域內(nèi)數(shù)據(jù)不能共享利用。 沒(méi)有完備的數(shù)據(jù)庫(kù)支撐， 因而很難實(shí)現(xiàn)機(jī)械密封的故障診斷和壽命預(yù)測(cè)。

3 結(jié)論及展望

綜上所述， 對(duì)機(jī)械密封運(yùn)行過(guò)程的狀態(tài)監(jiān)測(cè)和故障診斷意義重大。 目前， 雖已有部分學(xué)者對(duì)機(jī)械密封的故障診斷進(jìn)行了深入研究和探索， 但由于監(jiān)測(cè)技術(shù)尚不成熟， 密封信號(hào)處理方法和手段較少， 因此密封狀態(tài)監(jiān)測(cè)和故障診斷在工業(yè)中應(yīng)用較少， 擁有巨大的發(fā)展?jié)摿Α?未來(lái)， 在科學(xué)技術(shù)不斷進(jìn)步和學(xué)者們不斷努力的共同推進(jìn)下， 機(jī)械密封一定會(huì)實(shí)現(xiàn)智能化狀態(tài)監(jiān)測(cè)和自主診斷故障及預(yù)測(cè)剩余壽命， 給工業(yè)發(fā)展帶來(lái)巨大價(jià)值。

隨著大數(shù)據(jù)和5G 時(shí)代的到來(lái)， 未來(lái)機(jī)械密封狀態(tài)監(jiān)測(cè)和故障診斷也將在大數(shù)據(jù)和5G 技術(shù)的驅(qū)動(dòng)下迎來(lái)飛速發(fā)展。 密封故障診斷主有以下發(fā)展方向：

（1） 針對(duì)密封裝置的先進(jìn)監(jiān)測(cè)手段。

機(jī)械密封結(jié)構(gòu)復(fù)雜， 常用的信號(hào)監(jiān)測(cè)手段無(wú)法直接運(yùn)用到機(jī)械密封信號(hào)監(jiān)測(cè)中， 為獲取更豐富更高質(zhì)量的密封運(yùn)行狀態(tài)信息， 必須開(kāi)發(fā)更多針對(duì)密封的專(zhuān)用監(jiān)測(cè)手段。

（2） 多源信號(hào)協(xié)同作用下的故障診斷。

機(jī)械密封結(jié)構(gòu)復(fù)雜， 運(yùn)行過(guò)程中動(dòng)態(tài)信息多變，單一的信號(hào)源已經(jīng)無(wú)法滿足對(duì)密封設(shè)備的全方位實(shí)時(shí)狀態(tài)監(jiān)測(cè)。 只有多源信號(hào)相互協(xié)同， 共同作用， 才能更加全面地掌握裝備的運(yùn)行狀態(tài)， 對(duì)故障作出更加及時(shí)準(zhǔn)確的判斷。

（3） 云邊協(xié)同模式下的信號(hào)監(jiān)測(cè)和健康管理。

云邊協(xié)同是邊緣計(jì)算多數(shù)部署和應(yīng)用場(chǎng)景需要邊緣側(cè)與中心云的協(xié)同。 包括資源協(xié)同、 應(yīng)用協(xié)同、 數(shù)據(jù)協(xié)同、 智能協(xié)同等多種協(xié)同。 云邊協(xié)同模式的發(fā)展， 很好地解決機(jī)械密封監(jiān)測(cè)數(shù)據(jù)大、 應(yīng)用場(chǎng)景多變的難題， 將成為機(jī)械密封的智能化發(fā)展的強(qiáng)勁助推力。

（4） 數(shù)據(jù)信息交流和共享利用。

數(shù)據(jù)是機(jī)械大數(shù)據(jù)診斷研究開(kāi)展的重要基礎(chǔ)和資源［78］。 密封智能化的發(fā)展也離不開(kāi)標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)的建立， 為此應(yīng)加強(qiáng)數(shù)據(jù)信息交流和共享利用。 數(shù)據(jù)信息交流共享主要包括： 收集密封典型故障特征信息、 密封端面接觸狀態(tài)以及密封從正常運(yùn)轉(zhuǎn)到失效的全壽命動(dòng)態(tài)演化等數(shù)據(jù)； 企業(yè)、 研究所、 高校之間共享密封試驗(yàn)臺(tái)和數(shù)據(jù)信息； 研究者之間相互交流， 機(jī)械學(xué)科與人工智能、 信息技術(shù)、 傳感技術(shù)、 材料技術(shù)等多學(xué)科交叉融合。

（5） 自我監(jiān)測(cè)和自我診斷決策。

隨著科學(xué)技術(shù)的發(fā)展， 設(shè)備狀態(tài)監(jiān)測(cè)和故障診斷已經(jīng)進(jìn)入智能化時(shí)代。 密封監(jiān)測(cè)和診斷技術(shù)的不斷進(jìn)步和成熟將會(huì)推動(dòng)密封自我監(jiān)測(cè)和自我診斷決策的實(shí)現(xiàn)， 首先是智能化的密封監(jiān)測(cè)系統(tǒng)自動(dòng)獲取機(jī)械密封運(yùn)行狀態(tài)的豐富信息， 然后系統(tǒng)自動(dòng)從密封設(shè)備狀態(tài)監(jiān)測(cè)數(shù)據(jù)中分析、 提取故障特征信息， 進(jìn)行模式識(shí)別和自我診斷故障， 最后針對(duì)設(shè)備的不同運(yùn)行狀態(tài)作出相應(yīng)的決策， 實(shí)現(xiàn)故障自愈調(diào)控。