張建超，王立娜，王延楓，范大偉

（1.北京機(jī)械工業(yè)自動(dòng)化研究所有限公司，北京 100120 ；2.內(nèi)蒙古交通職業(yè)技術(shù)學(xué)院，內(nèi)蒙古 024005；3.內(nèi)蒙古蒙藥股份有限公司，內(nèi)蒙古 028000；4.內(nèi)蒙古天奇蒙藥集團(tuán)有限公司，內(nèi)蒙古 024000）

0 引言

擠壓造粒機(jī)是集機(jī)電儀一體的大型低速重載設(shè)備，其故障情況涉及齒輪、螺桿、油液等多方面因素，對(duì)其故障的預(yù)測(cè)診斷一直是行業(yè)的痛點(diǎn)和難點(diǎn)，本項(xiàng)目擬通過機(jī)器學(xué)習(xí)的方式，通過多源數(shù)據(jù)建模分析，研究擠壓造粒機(jī)故障預(yù)測(cè)及診斷技術(shù)。

1 擠壓造粒機(jī)組故障診斷預(yù)測(cè)技術(shù)概述

1.1 擠壓造粒機(jī)組概述

擠壓造粒機(jī)組是石化企業(yè)的核心設(shè)備，是將聚合物反應(yīng)釜聚合出來的聚烯烴粉末狀聚合物變成幾何形狀規(guī)則的顆粒的裝置，擠出造粒的原理是將聚烯烴（聚乙烯、聚丙烯）原料與添加劑融合，經(jīng)過濾處理后投入擠壓造粒機(jī)，通過高溫熔融、冶煉、過濾和擠出處理，再由水下切粒機(jī)將其加工為顆粒并隨刀具和模板中的流水帶出。

從結(jié)構(gòu)上，擠壓造粒機(jī)一般由熔融齒輪泵、主電機(jī)、主齒輪箱、螺桿、切粒系統(tǒng)等組成，如圖1所示。

圖1 擠壓造粒機(jī)結(jié)構(gòu)模型

1.2 擠壓造粒機(jī)組故障診斷預(yù)測(cè)技術(shù)研究的意義

關(guān)鍵機(jī)組設(shè)備故障的提前診斷預(yù)測(cè)，避免非計(jì)劃停車，是設(shè)備運(yùn)維管理的首要目標(biāo)。突發(fā)的設(shè)備故障造成的非計(jì)劃停車是影響生產(chǎn)的關(guān)鍵因素，給企業(yè)帶來的損失巨大，以某石化管理的8臺(tái)擠壓機(jī)為例，2020年1～10月份非計(jì)劃停車近800小時(shí)，以每小時(shí)50萬元的損失，直接經(jīng)濟(jì)損失近4億元。因此研究擠壓造粒機(jī)設(shè)備故障在線診斷預(yù)測(cè)技術(shù)，提升設(shè)備運(yùn)維水平，降低非計(jì)劃停車，直接經(jīng)濟(jì)效益明顯，同時(shí)在線運(yùn)維水平的提高也可以在降低維保人員、降低備件庫存等方面帶來效益。

2 擠壓造粒機(jī)組故障診斷預(yù)測(cè)技術(shù)現(xiàn)狀及趨勢(shì)

2.1 擠壓造粒機(jī)組常見故障

擠壓造粒機(jī)組作為連續(xù)高速運(yùn)轉(zhuǎn)的設(shè)備，通過實(shí)際收集到的運(yùn)行故障來看，其故障主要集中在齒輪箱、螺桿、軸承、電機(jī)等關(guān)鍵核心部件，具體表現(xiàn)為：

1）行星輪機(jī)組崩齒、斷齒、齒傷、齒面崩損；

2）軸承磨損、軸承內(nèi)圈裂紋、軸承溫度高、軸向振動(dòng)超標(biāo)、軸向竄量偏大；

3）螺桿斷裂；

4）主電機(jī)反轉(zhuǎn)器損壞；

5）油液系統(tǒng)出現(xiàn)金屬磨損細(xì)屑；

6）筒體裂紋漏水、閥芯卡澀等。

2.2 當(dāng)前故障診斷預(yù)測(cè)技術(shù)及不足

隨著設(shè)備自身診斷水平的提高及設(shè)備運(yùn)行狀態(tài)監(jiān)控技術(shù)的應(yīng)用，目前大型擠壓造粒機(jī)組均具備運(yùn)行狀態(tài)監(jiān)控功能，通過監(jiān)控關(guān)鍵運(yùn)行參數(shù)的超差，結(jié)合實(shí)際經(jīng)驗(yàn)對(duì)故障進(jìn)行診斷預(yù)測(cè)，同時(shí)，針對(duì)參數(shù)監(jiān)控?zé)o法覆蓋的故障，如軸承裂紋、螺桿斷裂、齒輪箱漏油等，采取人工巡檢和定期檢修的方式進(jìn)行判斷排查。如前文所述，擠壓機(jī)結(jié)構(gòu)復(fù)雜，其故障的構(gòu)成和表現(xiàn)均是多方面的，從現(xiàn)有診斷預(yù)測(cè)技術(shù)的實(shí)際效果來看，存在如下不足之處：

1）參數(shù)監(jiān)測(cè)不完整，從傳感器加裝及數(shù)據(jù)采集情況來看，未有效覆蓋診斷預(yù)測(cè)所需運(yùn)行信號(hào)；

2）分析判斷機(jī)械化、剛性，限于基于現(xiàn)有的參數(shù)指標(biāo)分析判斷，缺乏參數(shù)的關(guān)聯(lián)分析、綜合分析；

3）人工巡檢及定期檢修的滯后性，人工經(jīng)驗(yàn)的局限性，缺少對(duì)故障的實(shí)時(shí)分析判斷及診斷預(yù)測(cè)，且定期停機(jī)檢修也是對(duì)生產(chǎn)時(shí)間的無效浪費(fèi)。

2.3 故障診斷預(yù)測(cè)技術(shù)的改進(jìn)方向

通過以上分析可以看出，由于擠壓造粒機(jī)自身結(jié)構(gòu)的復(fù)雜，導(dǎo)致其運(yùn)行故障具備多樣性，進(jìn)而增加了故障診斷預(yù)測(cè)的難度，暴露了傳統(tǒng)診斷技術(shù)基于人工及簡單參數(shù)判斷的局限性。

從解決當(dāng)前技術(shù)的不足入手，基于更多運(yùn)行參數(shù)的綜合分析、實(shí)時(shí)分析成為故障診斷預(yù)測(cè)技術(shù)的改進(jìn)方向，隨著計(jì)算機(jī)算力、大數(shù)據(jù)、人工智能等技術(shù)的發(fā)展，此方向的研究及實(shí)現(xiàn)成為可能，本文研究探討的即是基于機(jī)器學(xué)習(xí)的故障診斷預(yù)測(cè)技術(shù)。

3 基于機(jī)器學(xué)習(xí)的擠壓造粒機(jī)組故障診斷預(yù)測(cè)技術(shù)

3.1 故障預(yù)測(cè)分析流程圖

按照建模、數(shù)據(jù)采集、處理、分析的邏輯，設(shè)備故障預(yù)測(cè)分析的一般流程圖如圖2所示。

圖2 設(shè)備故障預(yù)測(cè)分析一般流程圖

其中，運(yùn)行信號(hào)的采集，故障模型的建立及自學(xué)習(xí)，是本研究的關(guān)鍵。

3.2 故障類型與采集參數(shù)

通過分析擠壓造粒機(jī)的零部件構(gòu)成、機(jī)理模型及常見故障情況，其故障類型及對(duì)應(yīng)的相關(guān)采集參數(shù)如表1所示。

表1 故障類別與采集參數(shù)對(duì)照表

結(jié)合設(shè)備構(gòu)成，其采集參數(shù)示意如圖3所示。

圖3 擠壓造粒機(jī)組運(yùn)行參數(shù)采集模型

3.3 采集參數(shù)與對(duì)應(yīng)傳感器選型

由于目前擠壓造粒機(jī)自身不完全具備相關(guān)運(yùn)行參數(shù)的數(shù)據(jù)采集和輸出，需通過加裝傳感器的方式對(duì)相關(guān)數(shù)據(jù)進(jìn)行采集，根據(jù)運(yùn)行參數(shù)的特性，考慮實(shí)際可操作性，需加裝的傳感器選型如表2所示。

表2 采集參數(shù)與傳感器選型

3.4 故障預(yù)測(cè)模型建立與算法使用

針對(duì)擠壓造粒機(jī)的常見故障情況，本文建立的故障模型及相應(yīng)的分析算法如下：

表3 故障模型建立與分析算法

3.5 電機(jī)故障預(yù)測(cè)實(shí)例分析

在以上針對(duì)設(shè)備機(jī)理模型、運(yùn)行信號(hào)采集及分析模型建立的基礎(chǔ)上，本研究以某石化企業(yè)電機(jī)運(yùn)行實(shí)際數(shù)據(jù)進(jìn)行電機(jī)故障診斷預(yù)測(cè)分析，以驗(yàn)證分析模型及研究技術(shù)的有效性。

數(shù)據(jù)集為從電機(jī)傳感器獲取的振動(dòng)信號(hào)，采集間隔為2小時(shí)，采集頻率為2560Hz，單個(gè)樣本包含8192個(gè)數(shù)據(jù)點(diǎn)，原始數(shù)據(jù)集如圖4所示。

圖4 數(shù)據(jù)集樣本分布圖

從時(shí)域監(jiān)測(cè)值可以看出，在11月1日2點(diǎn)采集的信號(hào)中出現(xiàn)異常值，然而在下一節(jié)點(diǎn)采樣時(shí)，異常值消失，初步推測(cè)，設(shè)備可能遭受沖擊，有間歇故障的可能。

對(duì)數(shù)據(jù)進(jìn)行傅里葉變換，進(jìn)一步分析如圖5所示。

圖5 頻率分析圖

如圖5所示，304Hz處能量升高，增幅達(dá)68.4%，隨后又下降至正常水平，在15%水平浮動(dòng)，結(jié)合故障頻率304Hz，與基頻的整數(shù)倍比較接近，初步判斷可能是旋轉(zhuǎn)部件出現(xiàn)故障，經(jīng)與廠家確認(rèn)，該泵垂直振動(dòng)烈度上升0.5。

進(jìn)一步對(duì)數(shù)據(jù)進(jìn)行CEEMD分解及MED降噪，如圖6所示。

圖6 信號(hào)數(shù)據(jù)處理及結(jié)果圖

CEEMD分解將信號(hào)按數(shù)據(jù)本身尺度進(jìn)行自適應(yīng)分解，剔除冗余IMF分量后再對(duì)信號(hào)進(jìn)行重構(gòu)，提高信號(hào)的信噪比，在此基礎(chǔ)上，利用MED降噪，進(jìn)一步提純信號(hào)，從后續(xù)功率譜圖可以看出，特征頻率更加突出。

進(jìn)一步對(duì)信號(hào)求取功率譜密度，與頻譜分析得到了相似的結(jié)論，如圖7所示。

圖7 功率譜密度圖

通過以上分析，初步斷定2020年11月1日2時(shí)電機(jī)出現(xiàn)了間歇故障，特征頻率為304Hz，此結(jié)論與廠家記錄的設(shè)備實(shí)際運(yùn)行情況相吻合，驗(yàn)證了該分析技術(shù)的有效性。

4 結(jié)語

以上僅以電機(jī)運(yùn)行故障診斷預(yù)測(cè)為例，驗(yàn)證了基于數(shù)據(jù)樣本、機(jī)器學(xué)習(xí)的設(shè)備故障診斷預(yù)測(cè)技術(shù)，從本文的研究內(nèi)容來看，應(yīng)用該技術(shù)對(duì)齒輪箱、軸承、螺桿等故障進(jìn)行分析預(yù)測(cè)，進(jìn)而形成擠壓造粒機(jī)綜合預(yù)測(cè)模型，可實(shí)現(xiàn)對(duì)大型擠壓造粒機(jī)組運(yùn)行故障的在線診斷及預(yù)測(cè)。