状态监测常用图谱与大型机组故障预测技术简介

　　摘要：随着状态检测技术在我国检维修领域不断地发展，尤其是在大型炼化企业关键机组中的维护应用，使得企业生产能够在正常、平稳、安全、长周期、满负荷下运行，并实现了巨大的经济效益。本文主要将状态检测中的常见图谱与设备故障诊断的基本方法进行简要介绍。
　　关键词：状态监测、大型机组、图谱
　　
　　1状态监测常用图谱介绍
　　1.1波德图
　　波德图是反映机器振动幅值、相位随转速变化的关系曲线。图形的横坐标是转速，纵坐标有两个，一个是振幅的峰－峰值，另一个是相位。从波德图上我们可以得到以下信息：
　　转子系统在各种转速下的振幅和相位；转子系统的临界转速；转子系统的共振放大系数(Q=Amax／ε)；转子的振型；系统的阻尼大小；转子上机械偏差和电气偏差的大小；转子是否发生了热弯曲。
　　
　　由这些数据可以获得有关转子的动平衡状况和振动体的刚度、阻尼特性等动态数据。
　　1.2极坐标图
　　极坐标图是把振幅和相位随转速变化的关系用极坐标的形式表示出来。图中用一旋转矢量的点代表转子的轴心，该点在各个转速下所处位置的极半径就代表了轴的径向振幅，该点在极坐标上的角度就是此时振动的相位角。这种极坐标表示方法在作用上与波德图相同，但它比波德图更为直观。
　　
　　振幅－转速曲线在极坐标图中是呈环状出现的，临界转速处在环状振幅最大处，且此时从弧段上标记的转速应该显示出变化率为最大。用电涡流传感器测试轴的振动时，在极坐标图中可以很容易得到轴的原始晃度矢量，即与低转速所对应的矢量。从带有原始晃度的图形要得到扣除原始晃度后的振动曲线也很容易做到，为此，只要将极坐标系的坐标原点平移到与需要扣除的原始晃度矢量相对应的转速点，原图的曲线形状保持不变。这样，原曲线在新坐标系中的坐标即是扣除原始晃度后的振动响应。
　　1.3轴心位置图
　　轴心位置图用来显示轴颈中心相对于轴承中心位置。这种图形提供了转子在轴承中稳态位置变化的观测方法，用以判别轴颈是否处于正常位置。
　　
　　当轴心位置超出一定范围时，说明轴承处于不正常的工作状态，从中可以判断转子的对中好坏、轴承的标高是否正常，轴瓦是否磨损或变形等等。如果轴心位置上移，则预示着转子不稳定的开始。通过对轴颈中心位置变化的监测和分析，可以预测到某些故障的来临，为故障的防治提供早期预报。
　　1.4波形频谱图
　　在对振动信号进行分析时，在时域波形图上可以得到一些相关的信息，如振幅、周期（即频率）、相位和波形的形状及其变化。这些数据有助于对振动起因的分析及振动机理的研究。但由于从波形图上不能直接得到我们所需要的精确数据，现在已经很少有人用它来确定振动参数。但它可以在实时监测中作为示波器用来观察振动的形态和变化。
　　
　　2常见的几种预测技术
　　在设备状态监测中，经常使用的预测方法有斜率预报法、主观概率法、确定型时间序列法及随机机型时间序列法、回归预测法等。现主要介绍几种常见类型：
　　2.1主观概率预测法
　　根据状态检测图谱中所反映的数据进行预测时，检测人员最佳推测的实现可能性，必须用主观概率法加以评定。主观概率法与客观概率法不同，客观概率是依据事物发生的实际次数（或数值）统计出来的一种概率；而主观概率则是人们依据某几次经验结果所作窗户的主观判断的量度。主观概率法必须符合概率的基本，公式：
　　0≤P(Ei)≤1,∑P(Ei)=1其中（i=1,2...，n）
　　Ei（i=1,2...，n）是“经验”样本空间的某一事件。利用主观概率法，可以预测未来事件发生的结果，也可以预测未来事件成功的可能性。应用此种方法进行预测，能够更精确地反映个人对未来事件直觉判断的信任度。
　　2.2时间序列预测法
　　所谓时间序列，就是观察或记录到的一组按时间顺序排列起来的图形数据序列，其往往是由长期趋势分量、季节变动分量或周期变动分量、随机变动分量等几类变化形式叠加或组合而成的。
　　2.2.1确定型时间序列预测技术
　　确定型时间序列预测的一般步骤是，首先求出基本的发展趋势，分析可能存在的波动，再通过对随机变动的分析，确定一个合理预测区间，继而判定其合理性。
　　2.2.2随机型时间预测技术
　　随机型时间分析技术有一套较为完整的理论，预测精度也较高，尤其适合预测复杂的时间序列。但因其计算过程复杂，计算工作量巨大，只能依靠电子计算机及相关软件进行计算。
　　2.3回归预测法
　　准确的说，这里所说的回归分析是利用因果关系进行回归分析得方法，又称因果关系法。回归分析法就是研究引起未来状态变化的各种客观因素的作用，找出其时间的统计关系。用这种方法预测所得的结果比确定型时间序列法好些，但所需数据资料比时间序列法多而且广。
　　在回归分析当中，最常见的为一元线性回归的数学模型。这是因为这种模型在应用时较为简单，除有相当大的一类实际问题可归结为这种模型外，它还是多元线性回归和非线性回归的基础。
　　一般的一元线性回归数学模型可表示如下：设x为变量代表影响因素，y为因变量代表预测的目标。通过实验，从描绘y和x关系的散点分布图（如图所示）上发现他们之间有近似的直线关系。接下来的问题是：怎样用已知的一组数据来确定直线方程，使得已知数据与直线上所得的数据误差最小。
　　设直线方程为：y=b0+bx
　　对每一个已知数据Xi（i=1,2...，n）有：ÿi=b0+bxi
　　已知数据和直线上所得数据的误差为：ði=yi-ÿi
　　之后再根据相关公式计算出样本标准差，就能使用一元线性回归模型做预测了。在回归分析中，由于根据数据间因果关系进行预测，因而精度较高，能用于短期预测，亦能用于长期预测。多元线性回归是根据两个或两个以上的自变量来估计因变量。然而分析得基本思路与一元线性回归相同。
　　无论那一种预测方法，都需要检测人员能够具备一定的图形识别和采集精准数据的能力，并充分发挥检测人员集体的智慧和潜能，结合实际经验设定科学的设备安全数据信任区间，并不断控制大型机组在安全数据区间内工作，为企业创造更高的经济效益而努力。
　　参考文献
　　1．蔓布雷丁.以可靠性为中心的维修.北京:机械工业出版社,1995.
　　2.费晓琪.Microsoft.Net平台上用远程对象模型-实现远程监测映象节点[J].计算机工程与应用,2003,(7):141-143.
　　3.王强,等.机电设备远程监测和故障诊断系统的数据管理[J].计算机工程与应用,2004,40(9):208-211.
　　4.张正松.旋转机械振动监测及故障诊断[M].北京:机械工业出版社,199l.