章立军等：旋转机械设备状态预警与维修优化 ·1097· 过少测点来监测设备的服役状态，当状态预警方法捕 从图中可以看出，在第36个数据点时，均方根值 捉到早期故障特征时，采用多测点的精密诊断并指导 上升明显，经过停机检修，为轴承故障 备件管理、检修和生产计划的制定，随着设备状态继续 对该数据进行处理，其峭度(kurtosis,Ku)指标变 劣化，实时评估设备服役状态并计算其经济效益期望 化如图5所示 值，直至维修优化模型结果接近于0时，建议企业进行 16 维修 设备监测 少测点监测又 继续生产 <状态预臀 多测点监测 10 20 30 40 备件管理 时间d 状态评估DI 生产计划维修计划 图5某钢厂齿轮箱振动数据峭度指标变化图 Fig.5 Ku values of gearbox vibration data in a steel enterprise E<0? 是 从图5中可以看出，原始信号峭度指标在第21个 建议维修 数据点突然升高，其幅值约为平稳状态的5倍左右，随 后又趋于平稳.相比于图3中均方根值的上升，该现 图3状态预警、状态评估和维修策略流程图 Fig.3 Flowchart of state waring,condition assessment,and main- 象提前了15个数据点，即15d时间. tenance strategy 5.2基于峭度指标的小波包分解信号状态预警 对于故障初期故障冲击并不明显，或是说对噪声 5状态预警应用实例 影响较大的信号来说，通过计算小波包分解信号的峭 度指标可以成功验证其峭度指标的预警效果.该方法 基于峭度指标的小波包分解信号以及原始信号可 通过轴承试验数据进行验证. 以作为双重预警指标，根据不同的机械设备和特征频 轴承退化试验在轴承试验台上完成.该试验为加 率范围，适用不同的小波包节点数，本文通过轴承试验 速加载试验，试验轴承型号为6313，采样频率为5kHz, 数据和企业现场数据，验证了状态预警方法的适用性， 采样点数为4096，每隔1min保存一次，试验共采集到 并且取得了较好的预警结果 6529组数据，包含了轴承从正常一故障一失效的整个过 5.1基于峭度指标的原始信号状态预警 程.由于试验采集到的数据较多，初期均为正常状态， 对于故障初期故障冲击较为明显的信号，通过计 为了减少计算量，本文选取了后400个数据点，这400 算原始信号可以成功验证其峭度指标的预警效果。该 组数据同样包含了正常一故障一失效的数据.图6为该 方法通过企业现场数据进行验证. 退化数据的均方根值的变化趋势 数据来自于某钢厂高速线材生产线的在线监测系 1.6m 统.数据采集位置为轧机齿轮箱，其采样频率为5120 Hz,采样点数为8192，数据保存间隔为24h.本文选取 0.8 了该齿轮箱从正常到失效共43个数据点，即43d内的 设备状态变化情况.该数据的均方根(root mean square,RMS)值如图4所示. 100 200 300 400 20 样本点数 图6轴承试验数据均方根值变化图 Fig.6 RMS values of bearing test data 10 从图6中可以看出，轴承试验的均方根值在第 232个数据点时开始上升，由于计算了后400个数据， 10 20 30 40 该点在整个监测过程中位于第6361点.此时轴承故 时间d 障进入发展期，振动值逐渐升高. 图4某钢厂齿轮箱振动数据均方根值变化图 轴承试验经过小波包三层分解后，提取其第二个 Fig.4 RMS values of gearbox vibration data in a steel enterprise 节点的信号，再计算其峭度指标，得到较为明显的预警章立军等: 旋转机械设备状态预警与维修优化 过少测点来监测设备的服役状态，当状态预警方法捕 捉到早期故障特征时，采用多测点的精密诊断并指导 备件管理、检修和生产计划的制定，随着设备状态继续 劣化，实时评估设备服役状态并计算其经济效益期望 值，直至维修优化模型结果接近于 0 时，建议企业进行 维修． 图 3 状态预警、状态评估和维修策略流程图 Fig． 3 Flowchart of state warning，condition assessment，and main￾tenance strategy 5 状态预警应用实例 基于峭度指标的小波包分解信号以及原始信号可 以作为双重预警指标，根据不同的机械设备和特征频 率范围，适用不同的小波包节点数，本文通过轴承试验 数据和企业现场数据，验证了状态预警方法的适用性， 并且取得了较好的预警结果． 5. 1 基于峭度指标的原始信号状态预警 对于故障初期故障冲击较为明显的信号，通过计 算原始信号可以成功验证其峭度指标的预警效果． 该 方法通过企业现场数据进行验证． 数据来自于某钢厂高速线材生产线的在线监测系 统． 数据采集位置为轧机齿轮箱，其采样频率为 5120 Hz，采样点数为 8192，数据保存间隔为 24 h． 本文选取 了该齿轮箱从正常到失效共 43 个数据点，即 43 d 内的 设备 状 态 变 化 情 况． 该 数 据 的 均 方 根 ( root mean square，ＲMS) 值如图 4 所示． 图 4 某钢厂齿轮箱振动数据均方根值变化图 Fig． 4 ＲMS values of gearbox vibration data in a steel enterprise 从图中可以看出，在第 36 个数据点时，均方根值 上升明显，经过停机检修，为轴承故障． 对该数据进行处理，其峭度( kurtosis，Ku) 指标变 化如图 5 所示． 图 5 某钢厂齿轮箱振动数据峭度指标变化图 Fig． 5 Ku values of gearbox vibration data in a steel enterprise 从图 5 中可以看出，原始信号峭度指标在第 21 个 数据点突然升高，其幅值约为平稳状态的 5 倍左右，随 后又趋于平稳． 相比于图 3 中均方根值的上升，该现 象提前了 15 个数据点，即 15 d 时间． 5. 2 基于峭度指标的小波包分解信号状态预警 对于故障初期故障冲击并不明显，或是说对噪声 影响较大的信号来说，通过计算小波包分解信号的峭 度指标可以成功验证其峭度指标的预警效果． 该方法 通过轴承试验数据进行验证． 轴承退化试验在轴承试验台上完成． 该试验为加 速加载试验，试验轴承型号为 6313，采样频率为 5 kHz， 采样点数为 4096，每隔 1 min 保存一次，试验共采集到 6529 组数据，包含了轴承从正常--故障--失效的整个过 程． 由于试验采集到的数据较多，初期均为正常状态， 为了减少计算量，本文选取了后 400 个数据点，这 400 组数据同样包含了正常--故障--失效的数据． 图 6 为该 退化数据的均方根值的变化趋势． 图 6 轴承试验数据均方根值变化图 Fig． 6 ＲMS values of bearing test data 从图 6 中可 以 看 出，轴承试验的均方根值在第 232 个数据点时开始上升，由于计算了后 400 个数据， 该点在整个监测过程中位于第 6361 点． 此时轴承故 障进入发展期，振动值逐渐升高． 轴承试验经过小波包三层分解后，提取其第二个 节点的信号，再计算其峭度指标，得到较为明显的预警 · 7901 ·