风机常见故障分析及诊断原理

PAGE2PAGE1风机常见故障分析及诊断原理摘要：风机是运输气体的机械装置，在工业中得到了广泛的应用，也是焦炉炼化厂缺少的重要设备。焦化厂中使用的风机风机具有工作时间长、工作条件比较恶劣、工作负荷比较高等问题，因此，风机发生故障的概率比较高。本文将对风机的到故障及故障原因进行分析，并对风机故障诊断的相关原理进行分析和阐述，以了解风机故障的特点以及当今风机故障诊断了的方法及其相关的原理。关键词：风机；焦化；故障；诊断；模型引言风机是运输气体的机械装置，在工业中得到了广泛的应用，也是焦炉炼化厂缺少的重要设备。焦化厂的风机主要有送风风机、引风风机、空气净化风机以及物料输送风机等等，焦化厂中风机但能耗占据焦化厂总能耗的10%左右，是焦化厂主要的用能设备。在焦化厂的实际运行过程中，风机具有工作时间长、工作条件比较恶劣、工作负荷比较高等问题，因此，焦化厂的风机发生故障的概率比较高。[1]据统计，焦化厂引风机平均每年发生的故障为0.5次，而物料输送机每年发生的故障为两次以上。风机故障给焦化厂带来生产减负荷运行或暂停等问题，并对焦化厂的安全生产构成威胁。风机作为大型回转机械系统，是一个较强的非线性复杂系统。引发机械故障的因素很多,故障的表现形式多样，故障与表现征兆之间也不存在一一对应的明确关系，各故障之间还存在着复杂的耦合关系。这就给故障的特征提取和诊断工作造成极大的困难。故障特征的提取方法是机械故障诊断的关键技术之一，如何有效提取不同故障下区分度更大的特征，是国内外学者研究的热点。提取故障特征后,故障诊断方法的选择尤为重要。选择适合的故障分类器能够取得更好的分类准确率,减少误分的概率。目前，智能诊断技术是最主要的故障诊断技术之一。包括模拟退火算法、神经网络、专家系统、隐马尔科夫链、人工免疫系统、支持向量机等。1故障检测与诊断技术的意义工业上所用的故障检测与诊断技术是一门以现代智能技术和自动化控制技术为主的多领域交叉融合的综合性学科，涉及的学科领域有：通信与信号技术、检测技术、自动化控制技术、以及现代系统论等等。故障检测与诊断还涉及数学模型的建立和应用，如建立在数值分析、概率和统计等数学科学上的故障检查与检测方法。[2,3]现代故障与检测技术还融入了控制论、神经网络以及人工智能等学科的最新研究成果，是现代工业实现智能化和自主运行的重要前提与保证。2风机的主要故障2.1喘振和旋转失速喘振和旋转失速是风机中常见的两类故障。其中风机的喘振主要由扇叶失速而导致，风机的旋转失速则是由于风机中的气流冲角超过最大值而发生边界层分离，从而导致气流脱离扇叶的现象。由于风机的扇叶在制作和安装过程中会存在一定的误差，从而导致风机工作时气流不均匀的现象，如果导致气流流体存在较大的扰流现象，风机的扇叶会发生失速，导致风机扇叶边界层的脱离。[4]2.2风机叶片断裂焦化设备运行过程中存在抖动现象，风机在抖动的影响下叶片的离心力和应力会发生明显的离心、弯曲的现象，如果风机的叶片长时间运转则会导致断裂等问题。风机的叶片出现失速问题后，会导致叶片压力的不同，进而导致受力不均而发生断裂；此外风机叶片质量问题也会导致风机叶片在正常运转中发生断裂问题。[5]2.3轴承温度偏高风机轴承温度过高主要有三个因素导致：一是风机轴承运转过程中润滑不良；二是风机运转过程中冷却不及时；三是风机轴承箱的问题，如果轴承箱中轴承与外套之间的间隙数值过小，则风机容易在热膨胀后对轴承的轴向产生挤压，进而导致轴承温度的升高。[6]2.4风机振动风机在运行过程中会产生一定程度的振动，风机工作环境的低频噪声与振动会加重风机的振动问题，风机振动会导致风机上螺栓的松动、轴承磨损加剧、叶片疲劳度增加。风机除了运行当中的常规振动，如果风机的工况出现异常，如叶片灰尘积累过多、叶片失速以及叶片磨损等问题也会引发风机的偶发剧烈振动，这种偶发振动如果不处理不及时，会导致严重的安全生产事故。[7]3风机故障分析和故障诊断的原理3.1基于模糊理论信息融合的故障诊断原理风机的模糊理论信息融合故障诊断是基于隶属函数的原理，将诊断信息以结构性知识表达的模糊模式进行处理，适合诊断故障信息中不完整确定的信息。基于模糊理论分析的方法很多，目前主要研究的分支如图1所示。模糊推理需要在对模型中建立模糊隶属关系，模糊隶属度的判定方法有：专家判断法、概念扩张法、对比时序法以及模糊统计法等等，并将这些方法按照“很”、“相当”、“轻微”对提取的故障信息进行分析和排序，然后通过接收用户的诊断数据和模糊词，再根据模糊隶属的数据模型对故障的类型进行分析和判断。基于模糊逻辑的诊断方法在故障征兆与相应故障的隶属关系难以确定，且这种方法学习能力差，容易发生漏诊或者判断失误等问题。[8]图1基于模糊分析的故障诊断方法分支3.2基于神经网络信息融合故障诊断原理人工神经网络是一种被广泛应用于故障诊断的方法，是人工智能发展的一个重要分支。其典型特征在于非线性逼近能力强、自适应能力比较高、学习速度比较快以及容错性较高的。神经网络在自组织和自学习方面是其他故障诊断原理方法所无法匹配的，但神经网络这个故障诊断方法也有企业自身的缺点，如依赖于大量训练样本、没有基本的逻辑推理过程和推理依据，知识获取必须数值化、无法吸收定量数据，以及知识表达和利用方式比较单一等问题。神经网络虽然能在一定程度上模拟人的思维方式，但在推理分析、综合判断以及目标管理方面均不如其他故障诊断模型，因此在故障诊断领域，人工神经网络正常是与符号推理、数值推理相结合，以求能够更好地磨砺人类的思维方式和思维过程。[9]神经网络所采用的算法比较多，以学术上常用的BP神经网络模型算法为例，BP神经网络由三个算法层次构成，典型的神经网络算法如图2所示。图2BP神经网络模型简图如图2所示，神经网络在于将每一层的节点信号输入下一层，算法过程如下：（1）输入层节点其输出等于输入，并将数值到第二层。（2）隐层节点其输入，输出的公式如下：（1）（2）式中，为隐层节点与输入层节点之间的权值，为隐层节点的偏置，为sigmoid函数，其表达式为：（3）（3）输出层节点其输入，输出分别为：（4）（5）式中，为输入层节点与隐层节点之间的连接权值，为输出层节点的偏置。对于给定的训练样本，为样本数，网络输出与训练目标之间的均方误差可表示为：（6）（7）其中为样本数，为第个样本的第l个输出单元的目标输出结果，为第个样本的第l个输出单元的网络运算结果。3.3基于实例推理故障诊断原理基于实例推理故障诊断也是人工智能发展的一个分支，他与神经网络等人工智能技术相比，具有不依赖于产生规则的方式以及问题领域的常规知识等等。基于实例故障推理诊断能够利用故障的具体事例、已知故障的经验来推理现有问题的解决。故障的诊断逻辑与推理方法很多，典型的推理方法有以下几个：1、契合法在被研究现象出现的若干场合中，如果某一个或一组事件均出现，那么这个屡次出现的情况或者事件就是被研究对象的原因或结果。推导过程如图2所示。图2契合法推导过程2、差异法在被研究现象出现与不出现的场合，如果某一个或一组事件同时出现或者不出现，那么这个与众不同的情况或者事件就是被研究对象的原因或结果。推导过程如图3所示。图3差异法推导过程3、共变法在被研究对象发生变化的某个场合，若其中只有一个事变化着，而其他事件都保持不变，那么这一变化着的事件便是被研究对象的原因或结果。推导过程如图4所示。图4共变法推导过程3.4基于模型推理故障诊断原理基于模型推理的故障诊断方法是建立故障的系统模型，然后通过将故障信息的内容与系统模型进行差异分析，从而获得故障的类型和特点的一种方法。基于模型推理故障诊断法的核心内容是故障系统最小冲突集和最小碰集的概念，其中每个极小碰集都是故障系统的候选诊断结果，计算得到的每个最小碰集都是对故障的预设集合。这种推理模型具有不依赖于具体实例、不需要样本训练等优点，能够对故障的过程和原因进行解释，可以为工业故障的深层因素进行模型分析。但这种模型过分依赖于专家判断系统，专家的知识领域以及专业层次决定了模型的准确性，这种模型法还需要消耗大量的运算资源，对运算结果的时效性也有一定的影响，从而限制了其应用的范围和领域。4结语焦化企业使用的风机具有数量多、功率大等特点，风机的故障会对企业的正常运转产生重大影响，甚至会导致安全生产事故的发生。焦化厂风机的诊断需要根据风机的运用领域、运行特点以及工作状态进行分析，采用合适的故障分析和故障原理方法对风机的工作状态进行跟踪，及时预测风机故障的类型以及程度，为有效降低焦化厂风机的故障率，提高焦化厂设备运行的可靠性和安全性提供必要的保障。以上作品的著作权为本作者所有，仅供参考，严禁抄袭，需要全套资料或者专业辅导请联系作者：QQ：2993571832微信：lxj1234511参考文献[1]贾红慧.工业风机存在的问题及解决方法[J].建筑热能通风空调，2019.[2]张萍，王桂增，周东华.动态系统的故障诊断方法[J].控制理论与应用，2020,17(2):6.[3]吴今培，肖健华.智能故障诊断与专家系统[M].科学出版社，1997.[4]周金水，刘士强，张伟访.焦炉煤气鼓风机故障原因分析及处理[C]//2017.[5]管红亮.焦化煤气鼓风机