旋转机械的故障预测方法综述.doc

《旋转机械的故障预测方法综述.doc》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、旋转机械的故障预测方法综述　　引言　　旋转机械是指主要功能由旋转动作来完成的机械，尤其是指转速较高的机械。它分为动力机械(涡轮机、压缩机、齿轮泵等)、过程机械(离心式分离机等)和加工机械(车床、磨床等)。从旋转机械的检修历史和现状来看，检修方式大致分为发生事故停机检修、定期停机检修(预防性维修)、预测维修(状态维修或视情维修)这几种。首先以烟气轮机为例，阐述了预测维护的重要性;然后将现有的旋转机械故障预测方法整体分为定性分析法和定量分析法两大类，分别介绍了各种方法的实际应用情况;最后，探讨了旋转机械故障预测技术

2、的难点问题以及发展趋势。　　一、故障预测方法的分类与比较　　1.1预测维修的意义　　烟气轮机将催化裂化过程中产生的废烟气中所具有的压力能和热能经烟气轮机的膨胀做功化为机械能，驱动轴流式空气压缩机或给发电机提供动能，达到能量回收的目的。美国研制的世界上第一台烟气轮机于1963年投人生产运行，中国第一台自主创新的烟气轮机于1978年成功投入运行。30多年来，我国累计生产的烟气轮机总共节电约275×105kw·h，价值约合人民币138亿元，经济效益非常可观。然而，烟气轮机的运行环境非常恶劣，转子磨损、催化剂粉尘堆积、

3、壳体变形和仪表失灵等都有可能导致故障的发生。　　国内大多数炼油厂的烟气轮机几乎都发生过严重事故。例如，中石化集团公司曾经1年中就有39台烟气轮机因故障停机达51次，停机时间累计90l4h，损失巨大。此外，烟气轮机通过回收利用废烟气，在环保方面也发挥着举足轻重的作用。因此，保证烟气轮机的平稳正常运行成为了炼化企业的重要工作之一。目前，采用的维修策略基本上都是预防性维修，即“定期大修”体制，烟气轮机一般不到一年就要大修一次。烟气轮机的预测维护能够按照状态监测情况及时准备维修部件，安排维修计划。其完善的诊断能力可准确

4、指出故障类型和故障部位，避免了维修的盲目性，缩短了维修工期，可减少灾难性事故的发生，提高催化裂化装置的安全运行率，从而带来可观的经济和社会效益。　　1.2故障预测方法的分类　　预测维修的关键技术是故障预测，缺乏有效的故障预测方法已成为推广预测维护技术的一个瓶颈。故障预测方法整体分为两大类，即定性分析的方法和定量分析的方法。现有的旋转机械故障预测方法分类如图1所示。　　 　　基于数据的方法包括自回归预测、灰色预测、多层递阶方法、混沌时间序列预测、隐马尔科夫模型、机器学习(神经网络、支持向量机)和统计过程监控方法等

5、。旋转机械的机理模型难以建立，同时专家知识也难以获取，这些都不利于我们对旋转机械进行故障预测。基于数据的方法完全从工业现场数据出发，挖掘数据中的隐含信息，具有广泛的工程应用价值。这类方法适用范围最广、成本最小。因此，基于数据的方法最为实用，它已成为故障诊断与预测领域的研究热点和发展趋势。　　基于模型的方法包括基于滤波器的故障预测方法以及基于故障机理建模的方法等。这类方法具有深入对象本质性质的特点，能够很好地跟踪系统的变化趋势。当对象的数学模型准确时，能得到准确的故障预测结果。但工程上针对复杂的动态系统难以建立精

6、确的数学模型，因此，这类方法的适用范围最小、成本最高。　　基于知识的方法包括专家系统和模糊逻辑等。这类方法的优势是能够利用现有的专家知识和经验，而不需要已知非常精确的数学模型。因此，它在很多领域得到了广泛应用。但是此类方法的不足是知识获取较困难。　　旋转机械基于数据、基于知识和基于模型的方法在适用性范围、成本和准确度等性能方面的比较如图2所示。　　 二、难点问题与展望　　尽管针对旋转机械的故障预测技术取得了许多成果，但是尚存在以下难点问题有待进一步加以解决。　　2.1多变量预测问题　　对旋转机械而言，振动信号中

7、蕴含着丰富的设备运行状态信息，并且振动信号对大多数机械故障都很敏感。故障会引起振级的增加，至少是振动特征的改变。这表明振动信号是反映旋转机械工作状态和故障演化情况的一个极其重要的参数指标。现有的方法主要利用单变量的振动信号来预测旋转机械的运行状态。然而，仅采用单变量进行故障预测显然是不合理的。例如，对烟气轮机而言，机组的烟气入口和出口的温度、压力，烟气轮机、联轴器、发电机的振动以及连接轴的轴向位移等都是表征机组正常运行与否的重要参数。为了能够掌握机组的运行状况，在机组上相应位置安装了温度、压力、键相和振动等传感

8、器进行监测，从而为诊断和预测提供数据。烟气轮机机组测点布置如图3所示。　　 　　常见的基于单变量振动数据的状态预测技术无法利用多维测量数据的有效信息，难以检测性能退化初期微弱的故障征兆。为了处理多个相关测量变量的联合监测问题，人们于20世纪90年代初期使用主元分析模型(Principalcomponentanalysis，PCA)和偏最小二乘模型(partialleastsquares