倪偉 李世立

摘 ?要：本文主要論述了射流風機的主要故障情況，提出了一種射流風機的故障診斷與健康監(jiān)測方法。通過在射流風機上安裝振動傳感器，采集射流風機的振動信號，然后對采集的信號進行處理，最后使用邏輯回歸方法來實現射流風機的故障診斷與健康監(jiān)測。該方法降低了對維護人員的專業(yè)知識要求，大大減少了射流風機的維保工作量，提高了射流風機運行的安全性。

關鍵詞：射流風機;振動分析;故障診斷;健康監(jiān)測

中圖分類號：TP274 ? ? ?文獻標識碼：A 文章編號：2096-4706（2019）17-00140-04

Abstract：This paper mainly discusses the main faults of jet fan，and puts forward a method of fault diagnosis and health monitoring of jet fan.By installing the vibration sensor on the jet fan，the vibration signal of the jet fan is collected，and then the collected signal is processed. Finally，the logical regression method is used to realize the fault diagnosis and health monitoring of the jet fan.This method reduces the professional knowledge requirements of maintenance personnel，greatly reduces the maintenance work of jet fan，and improves the safety of jet fan operation.

Keywords：jet fan;vibration analysis;fault diagnosis;health monitoring

0 ?引 ?言

射流風機是一種特殊的軸流風機，主要安裝在隧道的進、出口，起誘導氣流或排煙等作用。射流風機工作工況單一，負載不大，設計壽命通常在10年左右。由于射流風機一般都安裝在隧道的頂部，因此維護檢查非常困難。目前對于射流風機的維護是定期進行人工檢查，主要檢查外觀是否有異常，判斷風機是否有異響，射流風機的螺栓松動、電機故障、葉輪故障等都無法及時發(fā)現。

在射流風機的診斷與維護方面，栗崗[1]提出基于振動監(jiān)測的地鐵風機故障診斷研究方法，宋永興[2]提出了基于調制強度的地鐵風機故障診斷方法。邵東波[3]針對成都地鐵設備管理實際，提出將基于振動監(jiān)測的狀態(tài)維修應用到地鐵機電設備的日常管理中。關于射流風機的診斷基本都是基于振動監(jiān)測的手段來實現，但是目前市面上并無專門配套的產品。一是搭建這樣一套監(jiān)測系統(tǒng)的成本比風機價格都高，二是振動監(jiān)測的指標需一定的專業(yè)知識才能夠理解，維護人員難以利用這些指標準確進行風機故障的判斷[4]。

本文簡述了射流風機傳感器的安裝方案，提出了一種基于振動監(jiān)測的射流風機的故障診斷與健康監(jiān)測方法。通過采集信號提取特征指標，然后利用邏輯回歸算法搭建射流風機的健康監(jiān)測模型。將實時采集的射流風機振動信號進行特征參數求取后，輸入搭建好的邏輯回歸模型，即可得到當前風機的健康狀態(tài)。

1 ?射流風機結構及常見的故障形式

射流風機由風機本體、風機吊裝支架、消聲器三個部分組成。風機本體包括電機、風機葉輪兩個主要部分。

射流風機的故障主要有以下3種：（1）風機螺栓松動;（2）電機運行異常：電機軸承故障或電機溫度過高;（3）葉輪不平衡故障。

2 ?傳感器選擇、安裝及數據采集配置

2.1 ?傳感器選擇、安裝

射流風機轉速在3000rpm以下，電機軸承故障診斷需要進行共振解調，5kHz能夠滿足條件。由于沒有特別低頻的成分需要監(jiān)測，因此低頻5Hz可滿足條件。傳感器的頻率響應可以確定為5Hz～5kHz，根據機械行業(yè)標準《JB/T 8689-2014通風機振動檢測及其限值》規(guī)定，對于剛性支撐，均方根值不大于4.6mm/s，對于撓性支撐，均方根值不大于7.1mm/s。由此指標可以得出，50g量程的加速度傳感器可滿足射流風機振動監(jiān)測的需求。

通過實驗數據驗證，3個振動傳感器可以很好地監(jiān)測到射流風機的故障。電機輸出端水平徑向方向安裝1個，風機吊裝支架的2個固定螺栓之間，一邊各安裝1個。

2.2 ?數據采集配置

為降低數據的采集設備的成本，使用廣東寰球智能科技有限公司自主開發(fā)的數據采集設備。采集器有8個通道，最大采樣率為25kS/s，A/D位數24位，動態(tài)范圍為90dB，滿足射流風機數據采集要求。數據采集設備的實物見圖1。

3 ?射流風機故障診斷與健康監(jiān)測

射流風機的診斷與健康監(jiān)測處理流程如圖2所示。主要分為數據采集、信號預處理、信號分離及特征指標求取、故障診斷與健康監(jiān)測等。

3.1 ?信號預處理及特征指標求取與優(yōu)化

3.1.1 ?信號預處理

信號的預處理為信號平均、去均值以及異常值剔除3個部分。對采集的時域信號進行平均可提高信號的信噪比，去均值是為了避免信號中的直流分量影響故障診斷的結果，異常值剔除是為了去除信號中隨機的大峰值干擾成分。

3.1.2 ?特征指標求取

特征指標主要分為2類，一類是時域指標[5]，一類是頻域指標。

常用的時域信號指標有有效值Xrms（均方根）、方差Var、峰值Xp、峰峰值Xpp、偏度系數、峰值指標Ip、峭度指標Kv。時域指標主要表征時域信號的一些特征。

頻域指標有軸頻幅值、時域信號包絡解調后的軸承特征頻率幅值。主要用來診斷軸承的故障。

3.1.3 ?特征指標優(yōu)化

3.1.3.1 ?松動特征指標的優(yōu)化

對隧道風機正常、螺栓松動0.5圈、1.0圈、1.5圈的振動信號進行預處理，然后求取有效值、方差、峰值、峰峰值、歪度指標、峰值指標、峭度指標、軸頻幅值8個參數。圖3是不同松動程度的指標有效值、方差、峰值和峰峰值趨勢圖，4個指標可監(jiān)測到松動的變化。由于峰值和峰峰值相關程度很高，因此只選擇其中之一。松動的特征指標確定為有效值、方差、峰峰值。

3.1.3.2 ?葉輪不平衡的特征指標優(yōu)化

機理上分析，風機葉輪不平衡軸頻幅值會明顯增大[6]。圖4是葉輪從正常到嚴重不平衡的指標的趨勢變化，從圖上可以看出不平衡程度加劇過程中，有效值，方差，軸頻幅值3個參數逐漸變大。因此選擇有效值，方差，軸頻幅值作為葉輪不平衡的特征指標。

3.1.3.3 ?電機軸承的特征指標優(yōu)化

從軸承故障機理分析，在早期故障時，軸承的故障特征主要體現高頻部分[7]，需要對高頻信號包絡解調求取軸承特征指標，通過查看指標的趨勢變化確定電機軸承的特征指標。通過數據分析驗證，包絡信號有效值、方差、六階矩隨著的軸承故障的加劇，幅值逐漸增大。因此選擇包絡信號有效值、方差、六階矩作為電機軸承的特征指標。

3.2 ?基于邏輯回歸的故障診斷與健康評估

由于基層維護人員不具備專業(yè)的故障診斷知識，無法利用這些指標的變化對故障進行準確定位，因此本文通過邏輯回歸方法[8]對射流風機的狀態(tài)進行健康評估，通過健康程度來判斷射流風機的狀態(tài)，當射流風機出現松動或電機軸承故障或葉輪不平衡時，對應的健康度參數會超出閾值，從而進行報警，準確地對射流風機的故障進行定位。該模型建立過程如下。

3.2.1 ?數據準備

需要準備的數據有以下4類：（1）射流風機正常工作的數據;（2）射流風機單個螺栓松動1圈的數據;（3）射流風機葉輪不平衡的數據;（4）射流風機電機軸承故障的數據。

按照上文所述，對不同類型的數據，求取對應的特征值，將正常數據標記為1，代表健康數據，將其他3種故障數據標記為0，代表故障數據，每種標簽的數據不少于100條。

3.2.2 ?邏輯回歸參數求取

邏輯回歸是一種廣義的線性回歸，其通過Sigmoid函數，可以很好地將輸出值轉化到（0，1）上，且輸出代表屬于正常情況的概率，可用來表征射流風機的健康狀況。Sigmoid函數的公式如下：

z=b+ω1*X1+…+ωm*Xm=ωTX+b

X是各種類型數據對應的特征向量值。ω是邏輯回歸系數向量。

射流風機的健康度計算公式如下：

要實現健康度的計算，需要求解ω參數向量。通過最大似然估計方法，利用正常和各個類型的特征指標數據求取射流風機的不同故障類型的邏輯回歸參數ω。其中松動的邏輯回歸模型有2個，電機軸承故障的有1個，葉輪不平衡的故障模型有1個。

3.2.3 ?健康評估與故障診斷

將實時計算的各部件特征指標，輸入對應的邏輯回歸模型，即可得到射流風機的螺栓松動、電機軸承、葉輪的健康度。當射流風機出現以上故障時，健康度隨著故障的加劇而逐漸下降，進而告警，維護人員不必進行排查，即可定位到故障部位。

4 ?結 ?論

（1）基于振動監(jiān)測的射流風機故障與健康監(jiān)測方法，可實現射流風機的螺栓松動、電機軸承、葉輪不平衡主要故障的實時監(jiān)測與診斷，為維護人員提供了設備維護的依據，提高了設備運行的安全性;（2）通過邏輯回歸的手段，實現射流風機的健康評估，降低了對維護人員的專業(yè)知識的要求，健康度參數可直接作為部件故障診斷的依據，減少了維保人員的工作量。

參考文獻：

[1] 栗崗，周繼續(xù).基于振動監(jiān)測的地鐵風機故障診斷研究 [J].交通節(jié)能與環(huán)保，2018，14（4）：16-18.

[2] 宋永興，伍柯霖，初寧，等.基于調制強度的地鐵風機常見故障診斷方法的研究 [J].風機技術，2019，61（1）：77-81.

[3] 邵東波.基于振動監(jiān)測的狀態(tài)修在地鐵風機設備管理中的應用 [J].城市軌道交通研究，2012，15（7）：79-82+119.

[4] 馬紹奎，毛靚華.風機振動的檢測分析和變換方法 [J].風機技術，2005（1）：45-47.

[5] 李長寧.機械故障信號統(tǒng)計建模及其故障診斷方法的研究 [D].哈爾濱：哈爾濱工業(yè)大學，2010.

[6] 黃曲貴.平行不對中和不平衡故障轉子扭振特征的研究 [J].機械工程學報，1998，34（5）：91-100.

[7] 賈艷秋，張兵，陳雪梅.滾動軸承的故障機理及診斷 [J].化工裝備技術，2011，32（4）：55-57.

[8] 陳保家，陳雪峰，李兵，等.Logistic回歸模型在機床刀具可靠性評估中的應用 [J].機械工程學報，2011，47（18）：158-164.

作者簡介：倪偉（1988.10-），男，漢族，湖北天門人，算法工程師，碩士研究生，研究方向：設備故障診斷與智能監(jiān)測;李世立（1983.03-），男，壯族，廣西崇左人，軟件項目經理，管理學學士，本科，研究方向：智能制造。