新闻动态
案例剖析 | 基于状态信息的电机轴承健康监测(上)
来源: | 作者:pmod6d781 | 发布时间: 2022-05-10 | 233 次浏览 | 分享到:
在传统工业领域,当遇到一个高发故障或常见问题,工程师们往往会翻阅业界资料,或习惯向已经积累多年实践经验的老师傅请教。

而随着大数据、人工智能技术的出现,工程师们有了更多的技术工具和手段。但是在过去很长一段时间内,他们就像一派结构主义者,在工程实际中,对传统技术与新兴技术的认知,难免有中心和边缘的对立;而与此同时,深耕工业的数据科学家也在想尽办法证明数据的重要性,尝试用数据证实或证伪。

经过多年的交互磨合,这批工业数智先锋中慢慢出现解构主义思想,任何一种技术都有其局限性和适用性,如何能将先验知识与数据科学统筹兼顾到一个可以工程化实现的路径上,去准确把握和重新释放一个最接近于原始的踪迹?

从本篇文章开始,K2电机专家与数据科学家,以一个工程实例作为对象,为读者详细介绍“基于振动和温度信息的电机轴承健康状态智能监测”这一主题下,不同思维与解法之间的碰撞与融合。

让我们从具体的实例开始:


1、案例背景


某工厂有若干台电机,工作于某压缩机系统。此工厂前期进行了数字化改造,完整地收集了电机以及相关子设备的信息,其中包括:电机的振动(径向水平、径向垂直、轴向)、温度信息(绕组温度、轴承温度)、功率、电压、电流等诸多信息,以秒级的频率上传并存储在系统里。

该压缩机系统已经无故障运行将近十年,目前状态是工程师耗用大量人力,人工监测设备的关键参数,人工进行故障诊断。为保障诊断精度,工厂每个月还会邀请外部设备维护公司进行电机状态的健康评估与故障诊断。


2、课题研究


轴承是电机的重要机械零部件,在电机中既需要承担负荷又需要在自身内部实现旋转。这就造成了轴承是电机设备故障的高发部件。因此,对轴承健康状态的监测是电机机械系统自身健康状态监测和评估的重要组成部分。

我们的课题是,如何实现对电机轴承健康状态的自动监测和评估?


3、问题分析


建立监测系统之前的分析:

首先,现有系统中,最常用的电机轴承状态监测参数中的振动信息、温度信号已经存在。而噪声信号,由于其干扰大,不方便分析,在工程实际中的使用不如前两者广泛。因此,该系统噪声信号缺失,不会对监测评估造成太大影响。此外,系统中附加了电机的电参数(功率,电流,电压)等信息,都可以间接帮助工程师进行评估。

第二,此系统的测点布置基本合理,电机对驱动端和非驱动端分别布置了轴向、径向水平、径向垂直等测点,温度信息包含了轴承温度和绕组温度,采集相对比较全面。

第三,所有信号按照秒级采集。这台电机的同步转速是1500rpm。根据采样定理,转速基频是25Hz,也就是说,对基频振动特征信息进行分析,必须具备50Hz以上的采样率。对于轴承而言,轴承的滚动体缺陷频率、滚道缺陷频率、保持架缺陷频率均高于转速基频,如果需要收集其特征频率,则需要至少2倍于特征频率的采样率。因此,振动信号目前是欠采样状态,想通过频域特征频率的特征比对进行故障诊断的思路,在这里无法实现。

温度信号依然是秒级采集。我们知道,电机系统具有一定的热容。对于这种压缩机系统的电机,其体积相对较大,因此热容也较大,温度的变化不可能是秒级突变的。因此对于温度信号而言,秒级采集实际上是过采样状态,每次采样中除了数据本身的变化,更多来源是测量误差等信息。这些信息实际上是数据分析中的干扰信息,应该进行后续处理。

第四,对于众多电机健康参数,由于具备了过去若干年的长时间数据积累,因此可以进行一定的趋势分析


4、当前问题的可解与不可解


综上,我们得到以下结论:
一、该系统测点布置比较全面,可以进行一定的状态监测。
二、系统中由于采样的问题,无法进行振动频域分析。无法定位轴承的内圈特征、外圈特征、滚动体特征、保持架特征等特征信息。
三、系统中的振动和温度信号可以进行一定的趋势分析和研究。
在这种情况下,工业工程师们的常用方法是对系统的振动、温度进行综合的趋势监控,参考一些行业标准进行阈值报警。

这种操作理论上可解,但在工程实际中依然遇到很多麻烦。包括:
 
第一、温度标准的适用性问题:很多标准指定得十分宽泛,并不适用于具体工况。实际上每一台电机轴承应该运行在什么温度区间,工程实际中经常使用经验,例如:标准规定的阈值是95℃,然而该电机过去一直是60℃,现在突然到80℃,即判定为故障。但这种经验的可靠性往往受到质疑,因为当前工况和经验工况不一定一致。这个问题从电机工程师的角度只能反复积累、反复修正,十分困难。

第二、振动信号的标准相对明确,可以参考标准,但依然存在电机个体差异的问题。如何能提早发现问题?工程师通常的做法是降低阈值,但会有误报警和漏报警的困扰,很难定义合适的限值。

第三、温度传感器和振动传感器的自身误差和故障带来的数据影响也实际存在。尤其是当我们试图将分析和判断交给机器自动运行的时候,干扰十分显著,而工程实际中也无法派工程师进行秒级的判断。

第四、数据质量问题。资料里写的设备运行“浴盆曲线”是这样的:













实际的数据是这样的:

面对这样的数据,应该如何处理,是工程师进行后续分析的一个重要挑战。

以上是电机工程师用传统方法进行电机轴承状态监测时遇到的困难,当大数据和人工智能技术应用到这个场景下,会发生什么样的“化学反应”呢?下一篇文章,和我们的数据科学家一起,先从数据角度,分析这个故障诊断系统应该如何处理和实施。