旋转机械故障诊断技术在炼钢设备中的应用研究

屈关涛 徐志豪 祁俊阳

【摘 要】旋转机械广泛存在于大中型机械装置中，如汽轮机、燃气轮机、离心式及轴流式压缩机、泵、水轮机、发电机和航空发动机等。大中型旋转机械一般安装有振动监测保护和故障诊断系统，通常在旋转机械关键点上安装振动传感器，采集关键点振动信息。通过对采集的数据进行时域、频域、时频域、小波变换、自相关等分析，能够对旋转机械进行故障诊断。但是这种方法需要工程师有足够的经验，且因机组数量多，人工分析费时费力。

【关键词】旋转机械;故障诊断技术;炼钢设备

1旋转机械故障的危害

钢铁企业在制造过程中非常频繁地从事转子叶片的工作，而钢铁生产活动则依赖于生产设备，该设备在制造过程中受到很大的磨损，因此容易受到机械故障的影响。为了实现更高的成本效益，部署的设备数量和利用率都在增加，但缺少适当的设备维修和修复，大多数设备不可维修，或者在出现故障后才可维修。此类维修可能对钢铁工业造成严重的经济损害，从而导致钢铁工业的正常生产活动。

2时域特征提取

旋转机械在状态发生改变时，时域参数能够反映其状态变化。当旋转机械发生故障时，可能出现冲击，表现在时序图中即是某些点远远超出其他点。常用的时域参数包括峰值、均值、方差、歪度、峭度、均方根值、波形指标、脉冲指标、峭度指标、歪度指标和裕度指标。

对于一组信号xi，i=1，…，n。有量纲的幅值诊断参数值会随着故障的增大而不同程度增大，且其中峭度对探测信号中含有脉冲的故障最敏感。有量纲幅值诊断参数值也会因工作条件（如负荷、转速、记录仪器的灵敏度等）的改变而改变，实际上很难加以区分。通常希望幅值诊断参数对故障足够敏感，而对信号的幅值和频率的变化不敏感，即与机器的工作条件关系不大，为此引入了不受工作状况影响的无量纲幅值参数。

3基于EMD样本熵数据驱动的旋转机械故障诊断研究

现代工业中的旋转类机械设备普遍采用自动化、智能化的计算机控制系统，机械设备工作过程中的各种参数及运行数据会被实时地采集并存储于系统之中，这些基础数据是分析和诊断故障的基础，数据驱动算法在故障诊断中的应用也是基于这些原始信号数据来实现的。由于旋转类设备故障信号具有渐进性和非平稳性的特征，本文作者采用数据数据驱动算法中的EMD信号分析算法，在经典EMD算法基础上优化处理，缩小阈值范围及对原始含噪信号进行预处理和降噪，并对提取出的旋转设备故障信号特征分析，最终完成对旋转机械设备故障类别和严重程度的诊断。

4旋转机械故障诊断中的智能化技术

專家检测系统，专家系统是将炼钢设备运行状态的信息数据进行汇总处理，以丰富全面的专业知识为基础，建立起可靠的运行数据库。专家系统数据库的建立主要是针对旋转机械故障诊断，在故障发生时能够为故障诊断提供可靠的数据信息，通过对照数据库中的数据信息，判断对方设备是否处于安全运行的状态。如果炼钢设备出现异常运行状态，专家系统会采取停止设备运行和切断电源等方式来确保设备的安全稳定运行。

5故障信号多域量化特征提取

在对旋转机械设备故障的检测和诊断中，提取故障信号的特征是判断设备故障程度与故障类别的关键，数据驱动算法可以利用对故障信号特征大数据的分析，准确掌握旋转机械设备的现行状态，并做出准确的判断。基于数据驱动算法的故障诊断，更侧重于从多个视角掌握信号的动态特征，即从时域和频域2个方面提取故障信号的细节特征，其中时域分析主要研究故障信号波形的变化情况及振动幅值的变化情况，而频率特征更侧重于研究信号频率和能量分布的变化情况。经过信号的去噪预处理后，针对重构后的旋转机械故障信号序列^x（t）而言，提取的信号时域特征指标包括标准差a1、偏斜度a2、峭度a3、均方根幅值a4。其中标准差指标主要描述故障信号偏离中心的程度，表达式为

偏斜度特征变量主要描述旋转机械设备故障信号的偏斜方向与偏斜程度，表达式为

峭度和均方根幅值特征指标反映出了旋转机械故障信号的分布特征，表达式为

旋转机械故障信号的功率谱主要描述故障信号中的频率成分，当信号频率和能量分布发生变化时，功率谱的重心位置会发生偏移，且功率的分布更为分散;而当信号的频率较为稳定时，能量分布和功率谱的分布更为集中，依靠对信号频域特征的识别，可以描述出旋转故障信号的类别及严重程度。描述信号频域特征的指标包括重心频率b1、均方频率b2及频率方差b3，其中指标b1和b2描述故障功率谱的变化趋势及重心位置变化，令τi（t）为信号的频谱，gti为第i条频谱线的频率值，则：

频率方差特征量b3描述了故障信号功率谱及能量的分布情况，其表达式为

当旋转机械设备发生故障时，信号的波形、频谱和能量值都会出现明显的变化，提取出故障信号的时频域特征，利用小波包对包络信号进行分解（假定故障信号为3层信号），信号分解的树状图如图1所示。

经过多层分解后故障信号的特征点更为明显，可以根据故障信号特征与正常信号特征的差异区分信号的类别。系统去噪和特征分解后旋转机械设备的信号系统仍处于一种无序状态，因此引入样本熵的概念，全面、准确地描述出信号特征值集合复杂度与有序性，经过对故障信号特征值的分类与决策，最终完成对旋转机械故障的识别与判断。

结束语

旋转机械故障诊断技术在炼钢设备中应用，能够提高炼钢设备故障维护的效率，确保炼钢设备的安全稳定运行，从而提高炼钢企业的生产效率和质量，通过将智能化自动化的故障诊断技术应用到旋转机械故障诊断中，能够有效地推动故障诊断技术的发展。

参考文献：

[1]吴静然，丁恩杰，崔冉，刘建华.采用多尺度注意力机制的旋转机械故障诊断方法[J].西安交通大学学报，2020，54（02）：51-58.

（作者单位：河南工学院机械工程学院）