往復壓縮機故障診斷技術研
- 文件介紹：
- 該文件為 doc 格式，下載需要 1 積分
- 往復壓縮機故障診斷技術研究
更新時間：2006-11-22
診斷技術的發展已有30多年歷史，隨著信號分析與處理技術、計算機技術的飛速發展，它已逐漸地形成了自己的理論體系，人們對于如何實施有效診斷形成了共識，通用的診斷技術路線為：通過信號檢測與特征信息提取，獲得反映機組運行狀態的特征信息，然后按照一定的狀態識別方法將之與故障檔案庫中的標準樣本模式相比較，得出對機組運行狀態的識別結果，最后給出診斷決策，干預機組的運行狀態，防患于未然。 從該技術路線可知，整個診斷過程主要包括三方面內容，即診斷信號的選擇，故障文檔的建立以及狀態識別技術。本文正是從這三個方面來論述往復壓縮機故障診斷技術的。
1 診斷信號選擇與特征信息提取技術 在旋轉機械故障診斷系統中，通常選用振動信號作為診斷信號，通過對振動信號的有效處理來達到識別故障的目的。就往復機械而言，由于其結構的復雜性、振源的多樣性及故障類型的多樣化，完全依靠振動信號進行診斷并不一定可行，正確的方法應是根據故障類型的特點選擇相應診斷信號。
往復壓縮機常發生的故障有：氣閥故障，活塞環故障，填料函故障，冷卻水路故障，吸氣濾清器故障，連桿大小頭與軸承之間過度磨損，十字頭銷與襯套過度磨損，連桿螺栓及十字頭螺栓松動，活塞桿下沉及裂紋等。據統計，往復壓縮機有60％以上故障發生在氣閥上，而活塞桿斷裂事故占重大事故的25％左右，因此，能夠及時發現氣閥故障及診斷出活塞桿的裂紋存在對于壓縮機的安全運行無疑是十分重要的。根據壓縮機故障特征可將機械故障分成兩類，一類是帶有流體性質的，屬于機器熱力性能故障，其主要表征是排氣量不足，壓力、溫差異常，產生的原因主要是氣閥，活塞環，填料函，冷卻水路，吸氣濾清器等部位發生故障，可采用參數法進行診斷；另一類是帶有機械性質的，屬于機器動力性能故障，主要表征是機器工作時異常的響聲、振動和過熱，產生的原因主要是運動部件配合間隙的變化，結構的裂紋等，它可采用振動法來進行診斷1]。事實上，只要機器有故障存在，它就會引起其熱力性能和動力性能變化，但反映的力度并不相同。運用參數法診斷機器熱力性能故障時，可選用的參數很多，如電力參數，熱力性能參數，氣缸壓力信號等，它們都具有各自的特點和適用范圍。目前采用較多的有兩類，一類是以各級間壓力，溫度及冷卻水流量，潤滑油溫為代表的熱力性能參數，它主要用于對壓縮機運行狀態進行監測，并可粗略判斷故障發生的部位，在采用分級診斷策略對多級壓縮機進行診斷時，這些參數還可作為第一級診斷信號2]；另一類就是氣缸壓力信號，氣缸壓力的變化可直接反映熱力故障的原因，是較理想的診斷信號，但在實際工作中，直接檢測氣缸壓力并不容易實現，這不僅是由于缸壁開孔會損壞氣缸結構，而且生產現場開取壓孔及對取壓孔的密封都需要較高的技術，正是這些因素限制了氣缸壓力信號在故障診斷中的廣泛應用。解決該問題的途徑有兩個，一是尋求無損氣缸缸壁的氣缸壓力檢測方法，并要求該方法便于現場操作；二是尋求氣缸壓力的替代信號，它要求該信號既能敏感的反映故障原因，又可方便檢測。文獻3]通過對氣缸蓋螺栓的振動信號分析來析出氣缸壓力變化規律就是解決該問題的一種探索，筆者也通過對氣缸布置的仔細研究，提出了一種通過在氣閥螺栓上開孔測取氣缸壓力的方法，它既無損于氣缸缸壁，同時可直接測取氣缸壓力，現場操作簡單，具有很強的實用性，其具體措施可見文獻2]。通過研究，筆者同時認為，可采用閥腔脈動壓力替代氣缸壓力，來作為壓縮機熱力性能故障的主要診斷信號，它不僅具有氣缸壓力信號的優點，同時方便測取。采用氣缸壓力信號時，可通過示功圖像比較來識別故障原因。在進行示功圖比較時，可選用壓縮過程指數n，膨脹過程指數m，吸、排氣閥開啟時曲軸轉角j1、 j3關閉時轉角j2、j4，最低吸氣壓力Ps，最高排氣壓力Pd，示功圖面積W，排氣量Q等參數作為特征參數；采用閥腔脈動壓力信號時，可首先建立脈動壓力信號的時序模型，通過對模型的分析來判別機器狀態，通過對脈動信號的頻譜分析來析出故障原因。在筆者研究中，曾通過對閥腔脈動壓力建立三階AR模型來診斷氣閥故障，通過AIC指標判別氣閥狀態，頻譜圖判別故障原因，獲得較好診斷效果2]。運用振動法診斷機器動力性能故障時，由于往復壓縮機振動十分復雜，隨機信號，周期信號，沖擊信號等混雜在一起，從振動的原始數據中直接給出的信息十分有限，如何提取有關特征信息就是該法的關鍵問題。近年來在Fourier分析的基礎上發展起來的小波分析技術就是解決該問題的有力工具，但小波變換在工程中的應用尚屬于探索階段，目前常用的處理方法是：時域征兆的提取，頻域征兆的獲取。頻譜征兆在故障診斷中應用最廣泛，反映在振動功率譜中，則是某些特定的譜峰及能量的變化。例如采用功率譜來診斷活塞-氣缸的間隙變化，在不同間隙狀態下，相同的側推力將引起活塞撞擊氣缸套的速度發生變化，從而撞擊能量也相應變化，同時由于間隙改變，活塞在缸內的橫向運動也發生變化，使得撞擊位置等隨之變化，這些變化將使氣缸表面的振動特征發生變化，隨間隙量增加，功率譜峰值增加，振動的總能量增加。如果能將大量典型的振動信號頻譜值以一定的表格形式存放在計算機中，構成診斷用的頻譜數據庫，那么通過頻峰的尋找對比，由其高度變化和各種故障原因可能出現的頻率分布概率，便可得出相應的診斷結論。但要得到數據庫的對應關系，則有賴于進行大量的模擬實驗和經驗積累。這往往需要付出很大的代價，有時甚至是不可能作到的。因此實際使用中常采集正常狀態下的一組時域信號，通過付氏變換成頻域信號，給出正常運行狀態的功率譜的極限指標，一旦超過此極限時，則將機器狀態判定為異常運行狀態。
往復壓縮機因其結構的復雜性，運動形式的多樣性，給振動法的故障識別與診斷帶來了很大困難，具體而言，主要困難有如下幾方面：
1）眾多的頻率范圍與廣闊的激勵源的識別；
2）運動部件多而且形狀復雜，這些部件藏在機身里，在工作狀態下難以接近，如何測試；
3）壓縮機不同部件中，激勵力的傳遞途徑及其對表面振動的響應是不同的，應該如何識別；
4）當壓縮機運動部件出現不同程度的機械故障時，相應的激勵力是如何變化的，能否從表面振動信號中檢測出來；
5）早期故障振動信號的提取和閾值的設立等。如何解決這些問題，有待于進一步研究。
2 故障文檔的建立方法 一般來說，故障文檔的建立包括經驗案例知識的匯編，實驗測試知識的積累和計算機模擬計算三種基本途徑。由于經驗案例知識的內容比較豐富，涉及的故障現象較全面，因而在以往的故障診斷研究中，大多采用經驗案例知識的匯編來實現故障文檔的建立；實驗測試知識的積累情況則恰恰相反，由于測試大多在小型模擬試驗臺上進行，且由于測試的故障現象受到局限，因而這種途徑在工程應用中不能單獨使用；對于計算機仿真計算，過去人們重視不夠，分析原因來自兩方面：一是難以建立數學模型及數學模型求解困難，二是計算機的普及程度不高。隨著人們對機器機理的深入了解和微機性能的提高，這方面工作將會有較大的發展。對于往復壓縮機而言，不僅由于其品種多，結構復雜，而且由于其機電一體化程度較低，原始故障數據保存較少，因而完全通過實踐積累不僅需要的時間長、經費多，而且在實際工作中可能難以實現。直接，經濟的途徑就是將實驗和計算機仿真結合起來，即建立壓縮機數學模型，并通過實驗驗證模型的正確性，然后改變模型中某些參數來模擬機器故障，以求迅速建立故障文檔。隨著壓縮機工作過程數學模型研究的深入，這方面的工作不但能夠實現，而且具有較高的準確性，可信性。如筆者建立閥腔脈動壓力的故障文檔時，就是采用這種途徑，其具體步驟如下2]：
1）建立壓縮機級的數學模型；
2）建立閥腔脈動壓力計算模型；
3）通過“壓力激發”將氣缸壓力與閥腔脈動壓力的計算聯系起來；
4）實驗驗證數學模型及計算程序的正確性；
5）改變有關參數，模擬故障狀態，建立相應的故障文檔。
建立機器故障狀態下標準模式時，應充分考慮其波動性。這是因為，首先機器無故障狀態和故障狀態的界限并不是清晰的，無故障狀態本身就包含有一定的狀態變化范圍；其次對于每一類故障，嚴重程度不同，其特征參數必然隨之變化；此外，參數測量時控制上的偏差、環境條件的變化等，也會使特征參數發生波動。為了提高故障診斷準確性，可用一種考慮特征參數波動性質即以參數域（參數波動范圍）來構造標準模式，有關這方面探索可見文獻4］。
3 狀態識別技術 在智能技術引入診斷領域之前，狀態識別實際上是由領域專家來完成的，隨著人工智能的發展及在診斷領域的應用，狀態識別技術已逐步步入人工智能診斷時代。目前，用于壓縮機狀態識別的方法可分兩大類：一類是完全基于檢測數據的診斷方法，如對比診斷法，函數診斷法，振動診斷法等，它們是通過對故障檢測信號的處理而較早地發現故障，以至預報故障；另一類則是基于專家經驗及知識處理的專家系統，它模仿人類專家在進行故障診斷時，首先觀察機器的癥狀，然后依所觀察到的癥狀，利用自己所具有的知識來推斷故障原因。根據知識處理途徑的不同，它又可分為兩類：一是基于符號推理，如經典專家系統，另一類是基于數值計算，如人工神經網絡等。雖然專家系統出現歷史并不長，但它獨特的優點卻是狀態識別技術發展的方向。
專家系統的核心是知識。大量事實表明5]，知識獲取是建造專家系統的“瓶頸”問題。一個診斷系統在其運行過程中所獲取的診斷信息（知識）越豐富，其診斷結果可靠性越高。因而，專家系統的性能水平主要取決于它所擁有的知識數量和質量。對于經典專家系統而言，雖然它具有持久性，一致性和周密性等優點，但交互式系統使得其診斷速度較慢，不能滿足迅速診斷故障的要求。近年來，人工神經網絡以其全新的信息表達方式，高度平行分布處理，聯想，自學習及自組織等能力和極強的非線形映射能力使它滲透到科學技術的各個領域。它為人工智能的專家系統研究開辟了一條新的途徑，它改進了經典專家系統中知識獲取，知識表達和平行處理等問題。神經網絡的診斷能力主要取決于文檔知識的完善與正確性，學習樣本的組織方法以及網絡模型的學習訓練程度三個方面。如何得到所必需的學習樣本是網絡診斷的前提，在筆者采用BP網絡診斷三級工藝流程用的壓縮機故障中，故障文檔及學習樣本是通過計算機仿真計算建立的，經檢驗，可達到較好診斷效果2]。在工廠現場故障診斷中，人們常用“看”、“聽”、“摸”等手段借助人類的感官來判別機器運轉狀態，專家系統的目的就是讓計算機模擬人的這種行為。然而人的感覺和機器檢測的參數有很大的區別，人類感覺和經驗都帶有著很大的模糊性，并且在推理時不是絕對的二值邏輯，但機器儀表檢測的參數都是比較精確的，所以為了使機器的推理過程類似人的思維活動，正確有效地進行故障診斷，應將模糊數學知識引入到狀態識別過程中，即采用模糊診斷法。其診斷思想如下：首先根據現有的領域知識建立各種故障的標準模式，設這些標準模式構成故障空間E，取癥候群空間X為論域，顯然E是X的子集，同時將這些標準模式看成E上的模糊集，于是故障診斷問題就轉化為確定X上的元素Xi以多大程度隸屬于E上的哪個模糊集的問題。如何將模糊診斷思想與人工神經網絡結合起來是筆者努力的方向。
4 結論 往復壓縮機常用故障可分為兩類，對于熱力性能類故障可選用氣缸壓力或閥腔脈動壓力作為主要診斷信號；對于動力性能類故障可采用振動信號來診斷，為解決從復雜振動信號中提取故障特征的困難，可開展小波分析技術在往復壓縮機中的應用研究。隨著對壓縮機工作機理的深入研究及其數學模型的進一步完善，采用計算機仿真將成為建立故障文檔的經濟、實用途徑。專家系統將是狀態識別技術的發展方向，但如何將模糊診斷思想與人工神經網絡相結合，并應用于往復壓縮機故障診斷中，則有待于人們進一步研究。...
熱門關鍵詞： 
