一种旋转机械劣化趋势预测的方法和装置

摘要

本发明公开了一种旋转机械劣化趋势预测的方法与装置。该装置根据国内外绝对和相对标准以及设备的具体情况确定设备劣化极限值(停机值)，通过在线连续测量或离线定期测量旋转机械的振动、转速、负荷、温度和压力等参数，依靠人工智能专家系统自动分析设备当前的状态，根据故障的性质确定故障对设备劣化趋势的影响程度，定期预测设备的劣化趋势(停机时间)。本发明可以直接显示预测结果和影响因素以及采取的预防措施，能够有效地避免设备状态从量变到质变可能带来的风险，减少由于不合理的提前或推迟停机而造成的损失。

权利要求

1.一种旋转机械劣化趋势预测的方法，其特征在于，所述方法包括：根据国内外绝对和相对标准以及设备的具体情况确定旋转机械劣化极限值；

通过在线连续测量或离线定期测量旋转机械的运行参数；

依靠人工智能专家系统自动分析旋转机械故障的性质；

根据故障的性质确定故障对旋转机械劣化趋势的影响程度；

预测旋转机械的劣化趋势；

显示预测结果和影响因素以及需要采取的预防措施。

2.如权利要求1所述旋转机械劣化趋势预测的方法，其特征在于，所述运行参数选用振动、转速、负荷、温度和压力的至少其中一个。

3.如权利要求1-2所述旋转机械劣化趋势预测的方法，其特征在于，所述预测旋转机械的劣化趋势，是指通过拟合运行参数随时间变化曲线，预测运行参数达到旋转机械劣化极限值的时刻。

4.如权利要求1-2所述旋转机械劣化趋势预测的方法，其特征在于，所述预测旋转机械的劣化趋势，是指按照不同的时间间隔或者随时计算预测旋转机械的劣化趋势。

5.如权利要求4所述旋转机械劣化趋势预测的方法，其特征在于，根据故障的性质确定故障对旋转机械劣化趋势的影响程度，是指根据故障类型通过故障影响象系数表来确定故障影响系数。

6.如权利要求5所述旋转机械劣化趋势预测的方法，其特征在于，故障影响系数表根据下表确定： 序号 故障类型 影响系数IF 1 质量不平衡 0.7～1.0 2 积垢、结焦 1.2～1.8 3 部件脱落 1.5～3.0 4 碰摩 1.5～3.0 5 不对中 1.0～1.5 6 松动 1.4～2.5 7 联轴器损坏 1.8～3.5 8 油膜涡动 1.5～2.0 9 油膜振荡 2.0～4.0 10 汽流激振 1.8～3.5 11 旋转失速 1.5～2.5 12 喘振 2.5～4.0 13 基础振动 1.5～2.5 14 共振 1.5～3.0 15 汽蚀 1.3～2.0 16 叶片通过频率振动 1.3～2.0 17 齿轮损坏 1.5～3.0 18 轴承损坏 1.5～3.0。

7.如权利要求5-6所述旋转机械劣化趋势预测的方法，其特征在于，劣化趋势由以下公式计算：Rt＝(Lv-Cv)/(ΔV*IF)其中：

Rt：设备劣化趋势预测时间，按照不同的间隔时间计算的不同结果，取Rt最小的计算结果；

Lv：设备劣化趋势的运行参数极限值；

Cv：运行参数当前测量值；

ΔV：被测量的运行参数的变化量；

IF：故障影响系数。

8.一种根据权利要求1-6的方法预测旋转机械劣化趋势的装置，包括运行参数测量部件、人工智能专家系统分析部件、故障影响系数确定部件、劣化趋势计算部件、输入输出部件，其中通过输入输出部件输入根据国内外绝对和相对标准以及设备的具体情况确定的旋转机械劣化极限值；运行参数测量部件通过在线连续测量或离线定期测量旋转机械的运行参数，并输出至人工智能专家系统；人工智能专家系统自动分析旋转机械故障的性质，并输出至故障影响系数确定部件用以计算故障影响系数；劣化趋势计算部件通过计算或者拟合，预测劣化趋势；通过输入输出部件显示预测结果和影响因素以及需要采取的预防措施。

说明书

一种旋转机械劣化趋势预测的方法和装置

技术领域

[0001] 本发明涉及旋转机械状态监测领域，特别是涉及一种旋转机械劣化趋势预测的方法和装置。

背景技术

[0002] 设备的劣化是指随着时间的推移，设备原有功能的降低及丧失，以及设备的技术、经济性能的降低。本发明所说的设备劣化趋势，是指从监测设备劣化开始到设备必须停机处理所经过的时间，特别是解决用户关心的当设备出现异常时，还可以运行多长时间的问题。目前，常用的劣化趋势预测方法是根据统计数据做出曲线，用线性函数或二次函数多项式的最小二乘法进行曲线拟合，确定停机极限值出现的时间。在此过程中，假设不同时期的测量数据的性质相同，劣化趋势曲线为比较理想的形状。实际上，设备劣化的发展，往往经历一个由量变到质变的过程，不同时期的数据不具有可比性。同时，由于影响设备劣化的因素多种多样，劣化趋势有多种形式，不一定按照拟合曲线的情况发展。如果不能根据实际情况及时调整，可能会发生因设备状态急剧恶化需要提前停机而没有及时停机，或因设备状态有所好转可以多运行一段时间而没有延迟停机，两种情况都会造成经济损失。

[0003] 目前的劣化趋势预测是基于数据统计分析，没有考虑设备劣化的性质，但故障性质对劣化趋势有严重影响。旋转机械劣化的主要表现形式是磨损、腐蚀、疲劳和剥落等，主要监测数据是设备的振动情况，因为设备的各种故障一般在振动信号上有所反映，振动信号包含着丰富的信息，而对振动进行测量比较方便，一般不会影响设备的正常工作。大多数情况下，与转速同步的旋转机械的同(基)频振动是主要的，也是不可避免的，如果没有引起其它问题，对设备的危害程度不大。但是，如果出现较大的低频振动和高频振动，则意味着设备出现了异常，对设备的危害程度大大增加。因此，在振幅基本相同的情况下，频率成分的变化反映故障的性质，对设备的劣化趋势预测有重大影响。如果不加区分，势必造成计算结果与实际情况出现明显偏差。

发明内容

[0004] 本发明实施例要解决的问题是提供一种旋转机械劣化趋势预测的方法和装置，通过对劣化原因的综合分析，确定科学合理的停机时机，以克服目前劣化趋势预测单纯依靠数学推导，容易发生不合理的提前或推迟停机的问题。

[0005] 为达到上述目的，本发明提供一种旋转机械劣化趋势预测的方法，所述方法包括：

[0006] 根据国内外绝对和相对标准以及设备的具体情况确定旋转机械劣化极限值；

[0007] 通过在线连续测量或离线定期测量旋转机械的运行参数；

[0008] 依靠人工智能专家系统自动分析旋转机械故障的性质；

[0009] 根据故障的性质确定故障对旋转机械劣化趋势的影响程度；

[0010] 预测旋转机械的劣化趋势；

[0011] 显示预测结果和影响因素以及需要采取的预防措施。

[0012] 上述旋转机械劣化趋势预测的方法，其特征在于，所述运行参数选用振动、转速、负荷、温度和压力的至少其中一个。

[0013] 上述旋转机械劣化趋势预测的方法，其特征在于，所述预测旋转机械的劣化趋势，是指通过拟合运行参数随时间变化曲线，预测运行参数达到旋转机械劣化极限值的时刻。

[0014] 上述旋转机械劣化趋势预测的方法，其特征在于，所述预测旋转机械的劣化趋势，是指按照不同的时间间隔或者随时计算预测旋转机械的劣化趋势。

[0015] 上述旋转机械劣化趋势预测的方法，其特征在于，根据故障的性质确定故障对旋转机械劣化趋势的影响程度，是指根据故障类型通过故障影响象系数表来确定故障影响系数。

[0016] 上述旋转机械劣化趋势预测的方法，其特征在于，采用如下故障影响系数表：

[0017]序号 故障类型 影响系数IF
1 质量不平衡 0.7～1.0
2 积垢、结焦 1.2～1.8
3 部件脱落 1.5～3.0
4 碰摩 1.5～3.0
5 不对中 1.0～1.5
6 松动 1.4～2.5
7 联轴器损坏 1.8～3.5
8 油膜涡动 1.5～2.0
9 油膜振荡 2.0～4.0
10 汽流激振 1.8～3.5
11 旋转失速 1.5～2.5
12 喘振 2.5～4.0
13 基础振动 1.5～2.5
14 共振 1.5～3.0
15 汽蚀 1.3～2.0
16 叶片通过频率振动 1.3～2.0
17 齿轮损坏 1.5～3.0
18 轴承损坏 1.5～3.0

[0018] 上述旋转机械劣化趋势预测的方法，其特征在于，劣化趋势由以下公式计算：

[0019] Rt＝(Lv-Cv)/(ΔV*IF)

[0020] 其中：

[0021] Rt：设备劣化趋势预测时间，按照不同的间隔时间计算的不同结果，取Rt最小的计算结果；

[0022] Lv：设备劣化趋势的运行参数极限值；

[0023] Cv：运行参数当前测量值；

[0024] ΔV：被测量的运行参数的变化量；

[0025] IF：故障影响系数。

[0026] 根据上述方法预测旋转机械劣化趋势的装置，包括运行参数测量部件、人工智能专家系统分析部件、故障影响系数确定部件、劣化趋势计算部件、输入输出部件，其中通过输入输出部件输入根据国内外绝对和相对标准以及设备的具体情况确定的旋转机械劣化极限值；运行参数测量部件通过在线连续测量或离线定期测量旋转机械的运行参数，并输出至人工智能专家系统；人工智能专家系统自动分析旋转机械故障的性质，并输出至故障影响系数确定部件用以计算故障影响系数；劣化趋势计算部件通过计算或者拟合，预测劣化趋势；通过输入输出部件显示预测结果和影响因素以及需要采取的预防措施。

[0027] 上述技术方案仅是本发明的一个优选技术方案，具有如下优点：本发明实施例在旋转机械劣化趋势预测时，将单一的曲线拟合分成不同的时间间隔进行分析，较好地反映设备劣化的不同阶段和可能发生的变化，劣化趋势极限值能够根据具体情况进行适当修改，特别是考虑了故障类型和严重程度对劣化趋势的影响，充分利用人工智能技术成果，通过专家自动诊断功能，及时计算和显示设备的停机时间，能够有效地避免由于不合理的提前或推迟停机而造成的损失。

附图说明

[0028] 图1是本发明实施例的一种旋转机械劣化趋势预测的方法的流程图；

[0029] 图2是本发明实施例的劣化趋势预测结果的趋势分析示意图。

具体实施方式

[0030] 本发明提供一种旋转机械劣化趋势预测的方法，所述方法包括：

[0031] 设备劣化极限值的确定。

[0032] 判断旋转机械的振动是否异常，是否达到危险(停机)水平，根据适用范围不同，有国际标准、国家标准、行业标准和企业标准等，如ISO 2372和ISO 3945，德国标准VDI12056，我国国家标准GB/T11347-1989等。根据数据性质不同，有绝对标准、相对标准和类比判断标准等。由于设备在结构、设计、制造、安装和运行维护等方面存在较大差异，在保持对标准的严肃性的同时，在具体设备的应用中应具有一定的灵活性，根据设备的具体情况确定振动停机值。例如：对投产时振动较小、使用时间较短和严重影响生产的关键设备等，停机值应该比标准要求严格。同时，在设备运转过程中，随着工况的变化和管理水平的提高进行调整，如降低负荷和转速，停机值可以适当提高。

[0033] 在线连续测量或离线定期测量旋转机械的振动、转速、负荷、温度和压力等参数。

[0034] 目前，对于大中型和关键设备，普遍安装了在线监测系统，可以连续测量振动、转速、负荷、温度和压力等参数。对于其它设备，一般安排点检，每天或每周一次。测量数据的可靠性是正确分析的前提。对于在线连续测量数据，要求通过适当的数字滤波，计算每小时、每天、每周和每月的平均值。对于离线测量数据，要求测点位置、测量工具和测量时间等基本固定，保持采样周期比较均匀。

[0035] 依靠人工智能专家系统自动判断设备当前的状态。

[0036] 随着人工智能和计算机技术的发展，对于在线监测系统，目前基本具备专家诊断功能，能够根据故障存在的充分与必要条件，在排除设备存在的某些问题后，肯定设备存在某种故障及其严重程度。专家系统的优势在于能够解决现场专家不足的问题，实时性好，可靠性较高，因而能够捕捉到设备发生的变化，及时发现设备出现的问题。

[0037] 对于离线测量，则需要采集数据后人工进行分析诊断。

[0038] 根据故障的性质确定故障对设备劣化趋势的影响程度。

[0039] 在设备发生异常振动后，除了动静碰摩直接造成机械损伤外，对设备的影响主要是振动疲劳，设备在振动载荷作用下产生具有不可逆且累积性的结构损伤或破坏，包括低频振动疲劳、共振振动疲劳和高频振动疲劳。由于转动的设备不可避免存在与转速平方成正比的惯性离心力，产生同(基)频振动。如果同(基)频振动不与设备的固有频率发生共振，则在一定范围内是正常的。但是，由于低频振动和高频振动与转速不同步，使转动设备受到附加的交变载荷的作用，加剧了设备的疲劳损害，因此，低频和高频振动比同(基)频振动的危害要大得多。

[0040] 虽然故障与振动频率不存在简单的一一对应关系，但典型故障的频率特征基本是确定的，因此，可以根据故障的严重程度SF(Severity Factor)确定某故障对设备劣化的影响系数IF(Impact Factor)，即某故障在特定条件下对设备劣化的影响程度。例如，质量不平衡是旋转机械最常见的振动原因，主要产生同(基)频振动，对设备的劣化影响最小。松动主要产生高频振动，对设备的劣化影响较大。

[0041] 表1为旋转机械典型故障的影响系数，下限表示故障的严重程度SF达到某阈值(如0.3)时对设备劣化的影响系数，上限表示故障的严重程度SF为1时对设备劣化的影响系数，具体的故障类型和数值可以根据具体监测设备的特点进行调整。

[0042] 表1旋转机械典型故障的影响系数

[0043]序号 故障类型 影响系数IF
1 质量不平衡 0.7～1.0
2 积垢、结焦 1.2～1.8

[0044]3 部件脱落 1.5～3.0
4 碰摩 1.5～3.0
5 不对中 1.0～1.5
6 松动 1.4～2.5
7 联轴器损坏 1.8～3.5
8 油膜涡动 1.5～2.0
9 油膜振荡 2.0～4.0
10 汽流激振 1.8～3.5
11 旋转失速 1.5～2.5
12 喘振 2.5～4.0
13 基础振动 1.5～2.5
14 共振 1.5～3.0
15 汽蚀 1.3～2.0
16 叶片通过频率振动 1.3～2.0
17 齿轮损坏 1.5～3.0
18 轴承损坏 1.5～3.0

[0045] 定期预测设备的劣化趋势。

[0046] 设备状态数据的定期采集和设备劣化趋势的定期计算，是保证数据有效性的基本条件。定期可以是每月、每周、每天或每小时计算一次，当设备出现异常时也可以立即进行，劣化趋势由以下公式计算：

[0047] Rt＝(Lv-Cv)/(ΔV*IF)

[0048] 其中：

[0049] Rt：预测设备停机时间，单位为计算时间间隔，随时进行的劣化趋势计算，其数据来源是小时，结果按照小时处理。

[0050] 如果几种间隔时间计算结果不同，取Rt最小的计算结果。这是因为在设备状态的量变过程中，振动幅度可能基本不变甚至减小，但不能由此认为设备可以长期运行，如果在某段时间内振动有明显的增加，或者没有较大变化但诊断出故障，则说明设备状态发生了质变，使Rt明显降低。

[0051] Lv：设备停机的极限值。

[0052] Cv：当前测量值。

[0053] ΔV：计算时间周期内的变化量。

[0054] 由于存在测量误差和随机干扰，ΔV达到某阈值(如极限值Lv的1％)时，计算才有意义。如果达不到，可以顺推到下一个计算单位。例如，对于计算时间间隔为小时，可以判断24小时的ΔV。对于计算时间间隔为月，可以判断1年的ΔV，如果仍然达不到，则可以认为设备能够长期运行。

[0055] IF：当前设备故障影响系数。

[0056] 故障影响系数IF与故障严重程度SF有关，假设某故障严重程度SF的阈值为SF0，下限影响系数用IFL表示，上限用IFH表示，则当SF大于SF0时，有

[0057] IF＝IFL+(IFH-IFL)*(SF-SF0)/(1.0-SF0)

[0058] 如果存在多个故障，取影响系数“与”逻辑运算，例如，假设设备当前存在两个故障，影响系数分别是IF1和IF2，则

[0059] IF＝IF1+IF2-IF1*IF2

[0060] 显示预测结果和影响因素以及采取的预防措施。

[0061] 可以将不同时刻得到的劣化趋势计算结果Rt直接以图表方式显示出来，帮助用户及时了解设备的劣化趋势。同时，劣化趋势预测的目的是尽可能延长设备的使用时间。根据故障诊断结果，可以了解设备的状态以及影响因素，提醒用户可以采取哪些措施，以便减轻和避免事故的发生。

[0062] 本发明实施例的技术方案还提供了一种旋转机械劣化趋势预测的装置，包括：根据设备的具体情况手动或自动设置和修改设备劣化的极限值；能够在线或离线采集设备的数据，由人工智能专家系统对采集的数据进行分析，自动诊断设备的故障；根据故障的类型和严重程度，确定故障影响系数；定期预测设备的劣化趋势，并将计算结果及可以采取的预防措施显示出来，提高设备运行管理水平。

[0063] 下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

[0064] 本发明实施例的一种旋转机械劣化趋势预测的方法的流程如图1所示，包括以下步骤：

[0065] 步骤s101，根据国内外绝对和相对标准以及设备的具体情况确定设备劣化极限值。

[0066] 本发明以结构比较简单的电机驱动的风机为例进行介绍。该风机的额定转速为960rpm，电机和风机通过联轴器刚性连接，电机输出端和风机输入端轴承的水平和垂直方向各安装1个速度传感器。根据ISO3945大型旋转机械的机械振动-现场振动烈度的测量和评定，振动报警值为4.6mm/s，停机值为11.2mm/s。该设备是新机组，实际测量当前各传感器振动值Cv在2.0～2.4mm/s，达到优良水平，由于停机检修比较方便，对生产影响不大，按照停机值为4倍当前值计算，建议停机值设置为9.6mm/s，即劣化极限值Lv＝9.6mm/s。

[0067] 步骤s102，在线连续测量或离线定期测量旋转机械的振动、转速、负荷、温度和压力等参数。

[0068] 该风机安装了在线振动监测系统，可以连续测量振动和转速数据，负荷和轴承温度等可以通过定期点检手工输入。数据分成年、月、日和小时数据库，循环存储，每小时数据存储间隔时间是1秒，每天数据存储间隔时间是30秒，每月数据存储间隔时间是10分钟，每年数据存储间隔时间是1小时，可以根据需要调整。

[0069] 步骤s103，依靠人工智能专家系统自动分析设备当前的状态。

[0070] 风机故障诊断专家系统建立了风机故障诊断知识库，包括典型故障和征兆以及诊断规则，具有很强的征兆自动获取能力，能够根据频谱分析自动计算各故障征兆的可信度和故障的严重程度SF，自动诊断不平衡、不对中、动静碰摩、松动和部件脱落等故障。例如，当前诊断结果为不平衡故障的严重程度SF＝0.45，其它故障的严重程度SF很小，可以忽略不计。

[0071] 步骤s104，根据故障的性质确定故障对设备劣化趋势的影响程度。

[0072] 根据公式

[0073] IF＝IFL+(IFH-IFL)*(SF-SF0)/(1.0-SF0)

[0074] 取阈值SF0＝0.3，不平衡故障的影响系数

[0075] IF＝0.7+(1.0-0.7)*(0.45-0.3)/(1.0-0.3)＝0.76

[0076] 步骤s105，定期预测设备的劣化趋势。

[0077] 当前振幅Cv＝2.35mm/s，月、周、天和小时平均变化(去掉一个最大值和一个最小值求平均)ΔV分别是0.23、0.11、0.06和0.03mm/s变化限值取Lv的1％，即：9.6*0.01＝0.096mm/s。

[0078] 根据公式Rt＝(Lv-Cv)/(ΔV*IF)

[0079] 按月计算：Rt＝(9.6-2.35)/(0.23*0.76)＝41.5(月)

[0080] 按周计算：Rt＝(9.6-2.35)/(0.11*0.76)＝86.7(周)

[0081] 天和小时的变化量小于变化限值，不考虑。结果取停机时间Rt＝86.7周。

[0082] 步骤s106，显示预测结果和影响因素以及采取的预防措施。

[0083] 将不同时刻得到的劣化趋势计算结果Rt显示出来，横坐标是计算日期，纵坐标是Rt，将可能的停机时间展示在用户面前。由于是轻微的单纯的质量不平衡，可以长期运行，不需要采取任何措施。

[0084] 本发明实施例的一种旋转机械劣化趋势预测的装置，包括：根据设备的具体情况手动或自动设置和修改设备劣化的极限值；通过在线或离线采集设备的数据，建立设备数据库和故障诊断知识库，由人工智能专家系统对采集的数据进行分析，自动诊断设备的故障；根据故障的类型和严重程度，确定故障影响系数；定期预测设备的劣化趋势，并将计算结果及需要采取的预防措施显示出来。

[0085] 由以上实施例可以看出，本发明实施例在旋转机械劣化趋势预测时，主要优势在于，将单一的曲线拟合分成不同的时间间隔，较好地反映设备劣化由量变到质变的不同过程。劣化趋势极限值能够根据设备具体情况进行适当修改，较好地适应环境的变化。充分利用人工智能和计算机技术，利用专家系统自动诊断故障，提高了诊断结果的实时性和可靠性。特别是考虑了故障类型和严重程度对劣化趋势的影响，能够从本质上把握设备的状态。通过及时计算和显示设备的停机时间，可以有效地避免由于不合理的提前或推迟停机而造成的损失。

[0086] 以上所述仅是本发明的一种优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进，这些改进也应视为本发明的保护范围。