章立军等：旋转机械设备状态预警与维修优化 ·1099· 触发维修建议阈值时，此时设备DI大约在0.15~0.2 提模型，本节所用数据为5.1节所介绍的数据.图13 左右，这个结果也符合企业实际情况 所示为企业现场数据的模糊C均值评估结果. 6.2基于试验数据的模型验证 1.2 接下来通过一组轴承退化试验数据来对模型进行 验证.轴承试验的相关信息在5.2节已经做了说明， 0.8 在此不再赘述，只假设该退化过程满足表1所列参数 图11为数据的模糊C均值评估结果. 0.4 1.2m 10 20 时间d 1 图13企业现场数据评估结果 Fig.13 Result of the assessment obtained via enterprise data 企业现场数据在做故障诊断时，需要区分空载和 100 200 300 400 样本点数 工作两种状态，通过图5可以看出这种波动性.但是 通过模糊C均值评估，从图13中可以看出，本文所提 图11轴承数据评估结果 Fig.11 Result of the assessment obtained via bearing data 方法完全避免了由空载带来的影响，避免了由于空载 带来的漏报和误报现象. 从图11中可以看出，初期设备状态十分稳定，评 图14为企业现场数据维修决策优化结果.从图 估结果非常接近1.随着设备状态逐渐退化，在第280 14可以看出，根据本文所提模型，在第36数据点时， 点之后，评估结果出现了较大波动性，随后DI值下降， 企业效益的期望值为负，建议维修.而根据实际振动 趋于平稳，接近失效状态，中间的波动状态与故障磨合 情况，此时振动值上升，设备状态较差，进行维修符合 过程有关，并且由于是加速加载试验，该过程有较大起 企业生产标准 伏.该评估结果，轴承试验振动与监测值表现出来的 1200r 波动性相吻合 图12为轴承数据维修优化模型结果.从图12中 800 可以看出，维修决策的优化结果和其状态走势基本吻 400 合，该模型在第280数据点（总第6415点）触发了本模 型的阈值，并且当总经济收益为0元时，当前退化状态 在故障磨合期的后期，尚未彻底进入故障状态.综合 0 20 0 40 时间d 5.2节内容来看，状态预警的结果和维修优化技术模 图14企业现场数据维修决策优化结果 型的结果均提前于设备故障点，并且无论对于以生产 Fig.14 Result of the maintenance-optimization model obtained via 为导向的企业或是以产品质量为导向的企业来说，均 enterprise data 可以找到适用于他们的方法 1200 7 结论 800 旋转机械设备在工业生产中扮演了重要的角色， 早期的设备故障不仅会继续发展，甚至还会影响整条 400 生产线的协同作业.在以往的研究中，人们对旋转机 械设备的故障诊断和机械仿真做了大量工作，但是由 100 200 300 400 于其运行过程存在极大的复杂和随机性，因此结果并 样本点数 不是十分理想.意外停机和维修决策不当给企业带来 图12轴承数据维修优化模型结果 了较高的生产成本.旋转机械设备的性能退化，往往 Fig.12 Result of the maintenance-optimization model obtained via 都是在故障中后期，其振动值会有上升.因此，我们不 bearing data 纠结于其故障的发展，而是从振动角度上出发，对设备 6.3基于企业现场的模型验证 状态进行监测预警和评估，从而对企业维修策略做出 相比于仿真数据和试验数据，企业现场数据存在 建议 较多不便处理的地方，例如其采样间隔过长等问题 (1)本文通过对峭度指标进行监测，分析了原始 但基于诸多不便问题，依然能够较好的适用于本文所 信号峭度指标的变化趋势以及小波包分解信号的峭度章立军等: 旋转机械设备状态预警与维修优化 触发维修建议阈值时，此时设备 DI 大约在 0. 15 ～ 0. 2 左右，这个结果也符合企业实际情况． 6. 2 基于试验数据的模型验证 接下来通过一组轴承退化试验数据来对模型进行 验证． 轴承试验的相关信息在 5. 2 节已经做了说明， 在此不再赘述，只假设该退化过程满足表 1 所列参数． 图 11 为数据的模糊 C 均值评估结果． 图 11 轴承数据评估结果 Fig． 11 Ｒesult of the assessment obtained via bearing data 从图 11 中可以看出，初期设备状态十分稳定，评 估结果非常接近 1． 随着设备状态逐渐退化，在第 280 点之后，评估结果出现了较大波动性，随后 DI 值下降， 趋于平稳，接近失效状态，中间的波动状态与故障磨合 过程有关，并且由于是加速加载试验，该过程有较大起 伏． 该评估结果，轴承试验振动与监测值表现出来的 波动性相吻合． 图 12 为轴承数据维修优化模型结果． 从图 12 中 可以看出，维修决策的优化结果和其状态走势基本吻 合，该模型在第 280 数据点( 总第 6415 点) 触发了本模 型的阈值，并且当总经济收益为 0 元时，当前退化状态 在故障磨合期的后期，尚未彻底进入故障状态． 综合 5. 2 节内容来看，状态预警的结果和维修优化技术模 型的结果均提前于设备故障点，并且无论对于以生产 为导向的企业或是以产品质量为导向的企业来说，均 可以找到适用于他们的方法． 图 12 轴承数据维修优化模型结果 Fig． 12 Ｒesult of the maintenance-optimization model obtained via bearing data 6. 3 基于企业现场的模型验证 相比于仿真数据和试验数据，企业现场数据存在 较多不便处理的地方，例如其采样间隔过长等问题． 但基于诸多不便问题，依然能够较好的适用于本文所 提模型，本节所用数据为 5. 1 节所介绍的数据． 图 13 所示为企业现场数据的模糊 C 均值评估结果． 图 13 企业现场数据评估结果 Fig． 13 Ｒesult of the assessment obtained via enterprise data 企业现场数据在做故障诊断时，需要区分空载和 工作两种状态，通过图 5 可以看出这种波动性． 但是 通过模糊 C 均值评估，从图 13 中可以看出，本文所提 方法完全避免了由空载带来的影响，避免了由于空载 带来的漏报和误报现象． 图 14 为企业现场数据维修决策优化结果． 从图 14 可以看出，根据本文所提模型，在第 36 数据点时， 企业效益的期望值为负，建议维修． 而根据实际振动 情况，此时振动值上升，设备状态较差，进行维修符合 企业生产标准． 图 14 企业现场数据维修决策优化结果 Fig． 14 Ｒesult of the maintenance-optimization model obtained via enterprise data 7 结论 旋转机械设备在工业生产中扮演了重要的角色， 早期的设备故障不仅会继续发展，甚至还会影响整条 生产线的协同作业． 在以往的研究中，人们对旋转机 械设备的故障诊断和机械仿真做了大量工作，但是由 于其运行过程存在极大的复杂和随机性，因此结果并 不是十分理想． 意外停机和维修决策不当给企业带来 了较高的生产成本． 旋转机械设备的性能退化，往往 都是在故障中后期，其振动值会有上升． 因此，我们不 纠结于其故障的发展，而是从振动角度上出发，对设备 状态进行监测预警和评估，从而对企业维修策略做出 建议． ( 1) 本文通过对峭度指标进行监测，分析了原始 信号峭度指标的变化趋势以及小波包分解信号的峭度 · 9901 ·