旋转机械故障诊断技术在炼钢设备的应用

旋转机械故障诊断技术在炼钢设备的应用

发表时间：2019-08-05T11:51:14.593Z 来源：《基层建设》2019年第11期作者：荣银龙[导读] 摘要：炼钢设备在运营当中，由于受到多种因素影响，导致炼钢设备经常出现故障，影响着炼钢设备的正常运行。旋转机械故障诊断技术作为全新的技术，在炼钢设备当中的应用，能够及时诊断出故障出现的原因，帮助技术人员处理设备出现的故障，不但提高了旋转机械设备诊断的效率，也极大提高了设备诊断的质量。

中国船舶重工集团公司第七一三研究所河南省郑州市 450001 摘要：炼钢设备在运营当中，由于受到多种因素影响，导致炼钢设备经常出现故障，影响着炼钢设备的正常运行。旋转机械故障诊断技术作为全新的技术，在炼钢设备当中的应用，能够及时诊断出故障出现的原因，帮助技术人员处理设备出现的故障，不但提高了旋转机械设备诊断的效率，也极大提高了设备诊断的质量。因此，炼钢企业在故障诊断过程当中，要注重发挥旋转机械故障诊断技术的应用，并不断强化其科技投入，提升该技术的科技含量，充分发挥旋转机械故障诊断技术的优势，从而推动机械设备的正常运行。基于此，本文对旋转机械故障诊断技术在炼钢设备的应用进行分析。

关键词：旋转机械；故障诊断技术；炼钢设备；应用 1旋转机械故障特点旋转机械故障的故障特点与其他类型的机械故障存在一定的区别，且是机械设备中最为常用的一类，所以有必要对其进行单独的深入研究。旋转机械故障是指有转子系统的机械设备在运行过程中出现异常的工作状态，比如不正常的噪声、异常大的振动、温度急剧升高，或者其他指标不正常。旋转机械的结构复杂，故障发生具有一定的阶段性，并且部分故障的发生有一个渐进的过程，在进行故障诊断时，必须综合考虑多项因素，使得进行准确故障诊断的难度较大。 2结合振动分析诊断旋转机械设备的故障 2.1仪器松动

仪器发生松动是旋转机械发生最普遍的故障，松动分为两种，一是螺栓松动，它会引发整个仪器都松动；二是构件配合之间发生松动，比如内圈与转轴、滚动与轴承等，因此造成配合精度减小。因为松动而引发的振动是非线性的，它的信号频率非常复杂，刨除基频，还会产生分频波动，进而造成旋转机器故障。

2.2转子不平衡

转子不平衡带来的而影响是巨大的，因其是核心组成部分，引发的故障也是十分常见的。对于转子发生不平衡原因有材料的不合格、长时间损耗以及配件偏离中心，或是固件松动引发附着物堆积等因素，都是致使转子发生不平衡的原因以及质心出现偏移。不平衡分为两种模式，一是动不平衡，二是静不平衡。在发生不平衡时它的振率与平时会有极大的不同，主要对转子旋转的频率进行观察即可。另外，发生不平衡振动以后会连带着其他构件的频率。产生不平衡振动的原因有三种，其中包含了转子的速度、转子的质量以及偏心距。转子在旋转过程中会产生一个力即为离心力，离心力的功能就是支撑轴承，其方向是与轴承垂直的。在进行故障诊断时，一定要将其以上因素进行深入分析。

2.3油膜振荡和油膜涡动故障

因为旋转机械在高速运行中大多用的是流体动压滑动轴承。油膜涡动由涡动力产生，使转轴除了自转外还绕中心进行公转。在共振的状态下，油膜振荡非常强烈，造成共振现象破坏力极大的，对高速旋转机械危害很大。转子的一阶自振频率为：当油膜涡动的特征频率约为旋转频率的一半，油膜振荡时其转速与涡动的频率无关。 3现行故障识别与诊断分析方法简介 3.1基于控制模型的故障诊断

对于一个旋转机械系统，若通过理论或实验方法能够建立其模型，则系统参数或状态的变化可以直接反映该系统及其动态过程，从而为故障诊断提供依据。基于控制模型的故障诊断方法主要涉及到模型建立、参数与状态估计和观测器应用等技术。其中，参数与状态估计技术是该方法的关键"参数估计的参数包含两类：第一，系统参数，即描述系统动态特性的参数。基于系统参数估计的故障诊断方法与状态估计方法相比较，前者更有利于故障的分离，但是它也存在不足之处：求解物理元件参数很困难；系统故障引起系统模型结构和参数变化的形式是不确定的，目前还缺少有效的方法。第二，故障参数，即用于描述系统出现的故障时信号自身特性的参数。其基本思想是：对故障系统构造适当形式的包含有可调参数的状态观测器，并使其处于零状态"当系统发生故障时，用观测器中的可调部分来补偿故障对系统状态和输出的影响，使得观测器在系统处于故障状态下仍然保持零状态观测误差，此时观测器中可调部分的输出即为故障参数的估计结果。使用该方法的优点是可对故障信号进行在线建模，但是当系统出现强非线性时，目前仍无有效算法。

3.2基于模式识别的故障诊断

故障诊断实质上是利用被诊断系统运行的状态信息和系统的先验知识进行综合处理，最终得到关于系统运行状况和故障状况的综合评价过。如果事先对系统可能发生的故障模式进行分类，那么故障诊断问题就转化为模式识别问题。当系统的模型未知或者非常复杂时，模式识别则为解决故障诊断问题提供了一种简便有效的手段。基于模式识别的故障诊断方法主要分为统计模式识别和句法模式识别两大类，它们在旋转机械故障诊断领域中得到广泛应用。基于BayeS分类器的统计模式识别法是旋转机械故障诊断中一种经典方法。

3.3基于人工神经网络的故障诊断

神经网络具备可学习性和并行计算能力，能够实现分类、自组织、联想记忆和非线性优化等功能，它是通过试图模拟生物神经系统而建立的自适应非线性动力学系统。在故障诊断领域中使用神经网络，可以解决诊断推理和趋势预测问题。一旦输入特定的设备状态模式，则经过大量标准样本学习的故障诊断系统网络将会通过各个神经元之间的互连与权值构成的大规模非线性并行处理模式来进行计算，从而实现隐含的专家知识的应用，最终得出诊断推理结果。 4旋转机械故障诊断的实际案例分析某地区的炼钢厂煤气风机，其高压电机（6000V）驱动耦合器，型号为JK850-2，850kW额定功率、额定转数为2970r/min，50Hz频率，在进行炼钢工艺吹氧操作时，风机为高速运转状态，而其他时则保持低速的运行状态。

4.1测量振动值分析

在进行侧量当中，通常可以根据振动幅值，对电机存在的异常进行推测。但是在实际的测量工作中，主观经验难以观察到振动的强弱。因此为了明确电机的使用情况，基于电机的转数为2970r/min高转数而言，通常情况下按照标准选择加速度幅值与速度幅值，加强对振动值的大小进行有效判断。

4.2分析诊断

通过对电机的加速度幅值、速度幅值以及位移幅值进行相关的操作处理，可通过上述案例的分析即可得出结果。例如，根据不同故障的振动特征，造成的原因可能由于动静件摩擦所引起，也可能是由转子热套配合过盈不足引发。而通过分析得出，导致振动的根本原因是电机轴承本身损坏所致。

4.3案例结论

在旋转机械设备故障处理当中，如若采用振动信号处理技术进行故障诊断，当时域波形图出现无规律振动时，并且频谱分析中能量处于低频的情况下，如果人工感知与平时相差无几，则可考虑电机轴承是否出现故障。

结束语：

在旋转机械设备故障的诊断过程当中，诊断与分析的过程相对复杂，并且对于规模较大的设备故障分析难度系数较大。基于不同生产设备而言，导致故障出现的原因也会不尽相同。例如，炼钢设备中的旋转机械设备，由于容易受到外界因素所干扰，基于多种因素所影响，而导致设备无法正常运转。基于此，相关技术人员在进行故障诊断时，要秉承具体问题具体分析的方法，针对不同故障的情况，合理分析故障发生的具体原因，以进一步明确解决故障的具体对策。

参考文献：

[1]旋转机械故障诊断技术在炼钢设备的应用[J].张媛.设备管理与维修.2018（10）

[2]旋转机械故障诊断技术在炼钢设备中的应用[J].王宝.中国设备工程.2019（06）

[3]旋转机械设备故障诊断技术分析[J].费冠华，李瑞洋，宁晓霞.科技风.2019（05）