王慶鋒,劉家赫,劉曉金,許述劍

(1.北京化工大學(xué) 高端機械設(shè)備健康監(jiān)控及自愈化北京市重點實驗室,北京 100029；2.中國石油化工股份有限公司青島安全工程研究院，山東 青島 266000)

1 問題的提出

中國流程工業(yè)生產(chǎn)裝置正向大型化、高速化方向發(fā)展，旋轉(zhuǎn)設(shè)備事故造成的非計劃停工生產(chǎn)損失巨大，有時還會造成災(zāi)難性的安全、環(huán)保及人身傷害事故發(fā)生，以早期故障預(yù)測、健康狀態(tài)評估、故障模式自動辨識和剩余工作壽命或性能退化趨勢預(yù)測為支撐技術(shù)的預(yù)測性維修受到越來越多企業(yè)家和研究者的關(guān)注。旋轉(zhuǎn)設(shè)備性能退化分為突發(fā)性(如圖1a)和漸發(fā)性(如圖1b～圖1d)兩類，前者性能退化發(fā)生、發(fā)展過程無明顯的征兆;后者性能退化發(fā)生、發(fā)展過程具有一定的規(guī)律性。旋轉(zhuǎn)設(shè)備突發(fā)性故障(如圖1a)難以預(yù)防，圍繞固定閾值報警線反復(fù)穿越報警(如圖1b),給操作人員帶來“報警疲勞”，固定報警閾值線下設(shè)備性能退化狀態(tài)信息難以追蹤(如圖1c)，LH報警線和HH聯(lián)鎖報警線時間間隔過短(如圖1d),來不及維護引發(fā)聯(lián)鎖停機等問題，是工程上預(yù)測性維修迫切需要解決的難題。面向工程實際需求，本文旨在研究提出一種數(shù)據(jù)驅(qū)動的旋轉(zhuǎn)設(shè)備性能退化趨勢預(yù)測方法，為開展旋轉(zhuǎn)設(shè)備預(yù)測性維修提供技術(shù)支撐[1]。

當(dāng)前，國內(nèi)學(xué)者早期故障預(yù)測研究方法主要包括機理模型法、數(shù)據(jù)驅(qū)動模型法、機理和數(shù)據(jù)驅(qū)動混合模型法。基于機理模型的早期故障識別或診斷成果有：最優(yōu)小波尺度循環(huán)譜滾動軸承早期故障識別方法[2]；基于最小熵解卷積與稀疏分解的滾動軸承微弱故障識別方法[3]；基于維度排列熵與支持向量機的軸承早期故障診斷方法[4]；變分模態(tài)分解識別滾動軸承早期故障方法[5]；基于連續(xù)小波變換的維護特征提取與故障識別方法[6]；無量綱指標(biāo)分析法[7]和多元角域指標(biāo)離群檢測法[8]等風(fēng)電機組齒輪箱早期故障診斷方法；采用符號時間序列分析的軸承早期微弱故障預(yù)警方法[9]；基于Gabor重排對數(shù)時頻脊流行早期故障預(yù)測方法[10]；基于支持向量機(Support Vector Machines, SVM)和雙時頻微弱故障特征增強的軸承早期故障識別方法[11]；基于混合特征提取的雙維度增強型K近鄰(Enhanced K-Nearest Neighbor, EKNN)的滾動軸承早期故障分類方法[12]等，這些早期故障預(yù)測、識別或診斷方法建立在旋轉(zhuǎn)設(shè)備復(fù)雜故障機理分析、故障診斷、信號分析處理和外部專家先驗知識基礎(chǔ)之上。數(shù)據(jù)驅(qū)動模型法早期故障預(yù)測相關(guān)研究成果有：基于變分模態(tài)分解(Variational Mode Decomposition, VMD)和深度置信網(wǎng)絡(luò)的早期故障預(yù)測方法[13]；基于深度學(xué)習(xí)和大數(shù)據(jù)分析的旋轉(zhuǎn)設(shè)備早期故障檢測方法[14]；基于規(guī)范變量分析監(jiān)測差異性的早期故障檢測方法[15]；動態(tài)自學(xué)習(xí)閾值算法和l1趨勢濾波算法相結(jié)合的智能預(yù)警方法[16]；基于正交鄰域保持嵌入(Orthogonal Neighborhood Preserving Embedding, ONPE)與多核相關(guān)向量機(multicore Relevance Vector Machines, RVM )的滾動軸承早期故障診斷方法[17]等，這些早期故障預(yù)測方法依靠信號處理和特征工程技術(shù)，無需知道旋轉(zhuǎn)設(shè)備零部件的劣化機制和故障機理模型，但模型訓(xùn)練仍然需要大量的故障案例數(shù)據(jù)。目前，機理模型法和數(shù)據(jù)驅(qū)動模型法研究成果仍然未有工程應(yīng)用成果，國內(nèi)流程工業(yè)服役狀態(tài)監(jiān)測系統(tǒng)在早期故障檢測、故障診斷等方面智能化程度低，還需要依賴故障機理、故障特征信號等先驗知識和外部專家經(jīng)驗。

開展設(shè)備早期故障預(yù)測一般基于原始數(shù)據(jù)抽取的故障敏感特征參數(shù)或構(gòu)建的健康指數(shù)模型而不是原始數(shù)據(jù)[18]。現(xiàn)代信號處理和特征工程技術(shù)為旋轉(zhuǎn)設(shè)備故障特征信號提取提供了豐富的手段，包括時域特征提取法、頻域特征提取法和時—頻域特征提取法3種。短時傅里葉變換[19]、小波包變換[20]、經(jīng)驗?zāi)B(tài)分解[21]等時頻域特征提取方法能夠通過時間和頻率的聯(lián)合函數(shù)來表示信號，雖然該類方法對信號進行診斷分析有良好的效果，但是時頻域信號處理技術(shù)需要對原始信號進行預(yù)處理且計算一般相當(dāng)復(fù)雜。無需對原始信號進行預(yù)處理、無需知道旋轉(zhuǎn)設(shè)備故障機理及損傷機制、無需各種故障案例樣本數(shù)據(jù)，直接利用旋轉(zhuǎn)設(shè)備運行正常狀態(tài)原始信號數(shù)據(jù)和實時監(jiān)測信號數(shù)據(jù)，通過簡單時域、頻域或時頻域特征參數(shù)計算實現(xiàn)旋轉(zhuǎn)設(shè)備性能退化早期檢測是本文研究探索的方法。利用運行可靠性函數(shù)[22]，即時域互相關(guān)函數(shù)、頻域凝聚函數(shù)和譜距離指標(biāo)函數(shù)，分別提取互相關(guān)系數(shù)、相干系數(shù)和譜距離指標(biāo)，用來表征旋轉(zhuǎn)設(shè)備當(dāng)前運行狀態(tài)監(jiān)測數(shù)據(jù)與參考數(shù)據(jù)的差異性，并采用歸一化度量區(qū)間[0,1]的數(shù)字表征旋轉(zhuǎn)設(shè)備性能退化狀態(tài)。本文擬提出一種基于譜距離指標(biāo)運行可靠性曲線l1趨勢濾波[23]后曲線斜率變化動態(tài)追蹤的旋轉(zhuǎn)設(shè)備性能退化趨勢預(yù)測方法，構(gòu)建一種數(shù)據(jù)驅(qū)動的旋轉(zhuǎn)設(shè)備性能退化趨勢預(yù)測模型，來解決工程上設(shè)備性能退化趨勢預(yù)測及跟蹤的難題。

2 設(shè)備性能退化狀態(tài)表征

何正嘉等[22]提出基于旋轉(zhuǎn)設(shè)備正常狀態(tài)振動監(jiān)測數(shù)據(jù)和實時振動監(jiān)測數(shù)據(jù)，利用相關(guān)系數(shù)、相干系數(shù)、譜距離指標(biāo)等方法計算運行可靠性，建立旋轉(zhuǎn)設(shè)備運行狀態(tài)與可靠性關(guān)聯(lián)映射模型，實現(xiàn)運行可靠性評估的方法。旋轉(zhuǎn)設(shè)備從“運行正?！钡健斑\轉(zhuǎn)到壞”，理論上其可靠性會歷經(jīng)從“1”到“0”的變化過程，同樣也預(yù)示旋轉(zhuǎn)設(shè)備的性能退化演化過程。

(1)相關(guān)系數(shù)運行可靠性模型

對于同一個設(shè)備，以正常運行狀態(tài)振動監(jiān)測原始波形數(shù)據(jù)為參考，采用互相關(guān)函數(shù)表征其運行可靠度，互相關(guān)系數(shù)從“大”到“小”表示旋轉(zhuǎn)設(shè)備運行狀態(tài)從“正?！钡健肮收稀钡男阅芡嘶^程。

(1)

式中：x表示運行正常狀態(tài)；y表示待評估狀態(tài)；Cxy(τ)為運行正常狀態(tài)信號x(t)和待評估狀態(tài)信號y(t)之間的正協(xié)方差函數(shù)；δx和δy分別為信號x(t)和y(t)的標(biāo)準(zhǔn)差；R(Cxy(τ))表示互相關(guān)系數(shù)，其取值范圍在(0,1)之間。

(2)相干系數(shù)運行可靠性模型

對于同一個設(shè)備，以正常運行狀態(tài)振動監(jiān)測原始波形數(shù)據(jù)為參考，采用相干函數(shù)表征其運行可靠度，相干系數(shù)從“大”到“小”表示旋轉(zhuǎn)設(shè)備運行狀態(tài)從“正常”到“故障”的性能退化過程。

(2)

(3)譜距離指標(biāo)運行可靠性模型

對于同一個設(shè)備，以正常運行狀態(tài)振動監(jiān)測原始波形數(shù)據(jù)為參考，采用譜距離指標(biāo)函數(shù)表征其運行可靠度，譜距離指標(biāo)從“大”到“小”表示旋轉(zhuǎn)設(shè)備運行狀態(tài)從“正常”到“故障”的性能退化過程。

(3)

式中：α為靈敏度系數(shù)，由設(shè)備性能退化趨勢決定；R(Jxy)表示譜距離指標(biāo)，其取值范圍在(0,1)之間；Jxy表示運行正常狀態(tài)信號x(t)和待評估狀態(tài)信號y(t)之間的J散度，

(4)

式中：Sx(k)和Sy(k)分別為信號x(t)和y(t)的自功率譜；N為功率譜線個數(shù)。

本文選擇譜距離指標(biāo)運行可靠性模型表征設(shè)備性能退化狀態(tài)，提取譜距離指標(biāo)作為設(shè)備性能退化表征參量，進而構(gòu)建數(shù)據(jù)驅(qū)動的旋轉(zhuǎn)設(shè)備性能退化預(yù)測模型。

3 旋轉(zhuǎn)設(shè)備性能退化預(yù)測模型構(gòu)建

3.1 l1趨勢濾波

最小絕對收縮和選擇算子(Least Absolute Shrinkage and Selection Operator, LASSO)回歸由Tibshirani于1996年提出，這是一種線性模型的壓縮估計方法，有時也叫作線性回歸的l1正則化，KIM等[23]借鑒趨勢濾波的思想，對內(nèi)在趨勢的二次差分項進行l(wèi)1范數(shù)處理，提出了l1趨勢濾波，類似于LASSO回歸原理，l1范數(shù)使得很多二次差分項縮減到0，由此得到的趨勢項是分段線性的，即有折點的趨勢。因此，l1趨勢濾波非常適用于分段線性時間序列的趨勢分析，用以估計曲線趨勢、拐點或斜率的變化。

假設(shè)一個標(biāo)準(zhǔn)時間序列yi(i=1,…,n)由一個基本趨勢xi和一個隨機變量zi組成。趨勢濾波就是從標(biāo)準(zhǔn)的時間序列中估計出基本趨勢xi，或者估計出隨機變量zi=yi-xi，l1趨勢濾波是Kim等提出的一種H-P趨勢濾波的變異，這種趨勢估計是通過最小加權(quán)目標(biāo)函數(shù)實現(xiàn)的，加權(quán)目標(biāo)函數(shù)式為：

(5)

矩陣形式為：

(6)

(7)

λ是一個非負(fù)參數(shù)，用來控制趨勢線的平滑性和平衡余項的大小，控制估計的趨勢和信號冗余之間的平衡[24]。加權(quán)目標(biāo)函數(shù)對x來說是一個嚴(yán)格的凸函數(shù)，因此只存在一個最小值xl1，xl1就是濾波后的趨勢。使用l1趨勢濾波對監(jiān)測參數(shù)信號進行濾波處理，能夠很好地得到機組真實的振動趨勢；同時，可消除采集誤差對設(shè)備早期故障預(yù)測準(zhǔn)確性的影響。

3.2 數(shù)據(jù)驅(qū)動的旋轉(zhuǎn)設(shè)備性能退化預(yù)測模型構(gòu)建

圖2為構(gòu)建的數(shù)據(jù)驅(qū)動的旋轉(zhuǎn)設(shè)備性能退化預(yù)測模型。

(1)篩選參考數(shù)據(jù)集

獲取振動監(jiān)測原始波形數(shù)據(jù)集X(tl)，l為收集到原始波形數(shù)據(jù)集的數(shù)組的數(shù)量。

1)對原始波形數(shù)據(jù)進行包絡(luò)譜分析，分析是否有故障特征頻率，若有故障特征頻率，該原始波形數(shù)據(jù)不保存；若無故障特征頻率，則該原始波形數(shù)據(jù)被保存到新構(gòu)建的正常原始波形數(shù)據(jù)集X0(ts)中。s為正常原始波形數(shù)據(jù)集X0(ts)的長度，l≥s。

2)將長度為s的正常原始波形數(shù)據(jù)集X0(ts)的譜距離指標(biāo)按照時間序列分解成長度為m的若干數(shù)組[xj,xj+1,…,xj+m-1](j=1,2,…,s-m+1)。

3)令j=1，將長度為m的數(shù)組[x1,x2,…,xm]放到一個固定窗w1內(nèi)，求取窗口內(nèi)譜距離指標(biāo)數(shù)據(jù)l1趨勢濾波后曲線上導(dǎo)數(shù)的平均值km。

4)j分別取2,3,…,s-m+1，采用類似辦法組建w2,w3,…,ws固定窗，分別求取固定窗口內(nèi)譜距離指標(biāo)數(shù)據(jù)l1趨勢濾波后曲線上導(dǎo)數(shù)的平均值km+1,km+2,…,ks。

5)ki(i=m,m+1,…,s)代表窗口內(nèi)數(shù)據(jù)的波動程度，找出ki中絕對值最小的值并記為k0，則k0所對應(yīng)的原始數(shù)組即為篩選的正常運行狀態(tài)振動監(jiān)測原始波形數(shù)據(jù)，記為參考數(shù)據(jù)集XR(tm)。

(2)計算實時監(jiān)測數(shù)據(jù)的譜距離指標(biāo)運行可靠性

基于模型參考數(shù)據(jù)和實時監(jiān)測原始數(shù)據(jù)，應(yīng)用譜距離指標(biāo)運行可靠性模型計算實時可靠性。

(3)譜距離指標(biāo)運行可靠性曲線趨勢濾波并計算濾波后曲線上點的導(dǎo)數(shù)值

譜距離指標(biāo)運行可靠性曲線趨勢濾波后曲線上點的導(dǎo)數(shù)值的計算過程表述如下。

1)構(gòu)建一個長度為m+n的滑移窗。其中：m代表固定數(shù)組的數(shù)據(jù)個數(shù)，由篩選出的正常運行狀態(tài)振動監(jiān)測原始波形數(shù)據(jù)的譜距離指標(biāo)數(shù)據(jù)組成；n代表活動數(shù)組的數(shù)據(jù)個數(shù)，由參考數(shù)據(jù)和實時監(jiān)測原始數(shù)據(jù)計算得到的實時運行數(shù)據(jù)的譜距離指標(biāo)數(shù)據(jù)組成。

2)對長度為m+n的滑移窗內(nèi)譜距離指標(biāo)運行可靠性曲線進行l(wèi)1趨勢濾波。

3)求取長度為m+n的滑移窗內(nèi)譜距離指標(biāo)運行可靠性曲線l1趨勢濾波后曲線上最后一點的導(dǎo)數(shù)值，滑移窗口活動數(shù)組最后一點的導(dǎo)數(shù)值記錄為ki。

以N個譜距離指標(biāo)運行可靠性數(shù)據(jù)為例，取滑移窗口長度l=m+n=50(m=45,n=5)，n=5為N個實時譜距離指標(biāo)運行可靠性數(shù)據(jù)的前5個?；拼翱谧宰?第1個實時運行可靠性數(shù)據(jù))向右(第N個實時運行可靠性數(shù)據(jù))滑移，逐點求取運行可靠性曲線l1趨勢濾波后曲線上點的導(dǎo)數(shù)值，其過程如圖3所示。

如圖3a所示，固定數(shù)組內(nèi)有45個譜距離指標(biāo)運行可靠性數(shù)據(jù)；活動數(shù)組內(nèi)有5個譜距離指標(biāo)運行可靠性數(shù)據(jù)。對固定數(shù)組和活動數(shù)組共50個譜距離指標(biāo)運行可靠性數(shù)據(jù)進行l(wèi)1趨勢濾波，并求取濾波后曲線上最后一個點的可靠性數(shù)據(jù)的導(dǎo)數(shù)值(對應(yīng)于第5個實時譜距離指標(biāo)可靠性數(shù)據(jù)點)，該點的導(dǎo)數(shù)值記為k5。

如圖3b所示，滑移窗口向右滑移一個數(shù)據(jù)，原來滑移窗內(nèi)活動數(shù)組最左邊的第1個數(shù)據(jù)去掉，剩下的第2～5個數(shù)據(jù)和第6個數(shù)據(jù)組成新的活動數(shù)組；滑移窗口內(nèi)新的50個運行可靠性數(shù)據(jù)進行l(wèi)1趨勢濾波，并求取濾波后曲線上最后一個點的導(dǎo)數(shù)值(對應(yīng)于第6個實時譜距離指標(biāo)可靠性數(shù)據(jù)點)，該點的導(dǎo)數(shù)值記為k6。

如圖3c～圖3e所示，以此類推，滑移窗口滑移到第N個實時譜距離指標(biāo)可靠性數(shù)據(jù)點處，滑移窗口內(nèi)新的50個譜距離指標(biāo)運行可靠性數(shù)據(jù)進行l(wèi)1趨勢濾波，并求取濾波后曲線上最后一個點的導(dǎo)數(shù)值(對應(yīng)于第N個實時譜距離指標(biāo)可靠性數(shù)據(jù)點)，該點的導(dǎo)數(shù)值記為kN。

(4)旋轉(zhuǎn)設(shè)備性能退化判別準(zhǔn)則

|ki～i+n-1|>M·CF·|kr|。

(8)

本研究將辛辛那提大學(xué)智能維護系統(tǒng)中心(Intelligent Maintenance Systems, IMS)實驗平臺上收集的滾動軸承數(shù)據(jù)集作為模型訓(xùn)練數(shù)據(jù)。在工程上，實時監(jiān)測振動信號不可避免地出現(xiàn)尖峰噪聲，同樣實時監(jiān)測振動原始數(shù)據(jù)的變化會導(dǎo)致譜距離指標(biāo)波形曲線異常波動，當(dāng)滑移窗滑過活動數(shù)據(jù)異常點時l1趨勢濾波后的曲線就會恢復(fù)正常。因此，本文設(shè)置一條報警規(guī)則，當(dāng)在某一時間點及其之后的時間點連續(xù)報警次數(shù)超過活動數(shù)組數(shù)據(jù)長度的1～2倍時，即|ki|～|ki+n-1|均滿足旋轉(zhuǎn)設(shè)備性能退化判別準(zhǔn)則時，將報警開始時間點視為有效的早期故障報警點。

(5)旋轉(zhuǎn)設(shè)備性能退化趨勢加速劣化預(yù)警判別方法

若滿足式(9)，則系統(tǒng)給出設(shè)備性能退化加速劣化的預(yù)警，它適合已經(jīng)檢測到設(shè)備性能退化早期故障點，工程上需要重點跟蹤設(shè)備性能退化趨勢加速劣化的場合，尤其是能解決設(shè)備長期工作在如圖1c所示的報警線以下，采用固定閾值報警方法無法追蹤旋轉(zhuǎn)設(shè)備性能退化趨勢加速劣化發(fā)展的情況。

|ki+1|>A·|ki|。

(9)

式中：i∈(5,6,…,N-1,N);A為管理系數(shù)，A一般取大于1的正整數(shù)，由管理者根據(jù)旋轉(zhuǎn)設(shè)備故障的風(fēng)險程度主觀制定。

(6)旋轉(zhuǎn)設(shè)備性能退化趨勢預(yù)測模型參數(shù)選擇

滑移窗內(nèi)固定數(shù)組數(shù)據(jù)長度m過長，將導(dǎo)致檢測早期故障點或性能退化趨勢加速劣化點不敏感；滑移窗內(nèi)活動數(shù)組數(shù)據(jù)n過長，將造成較多的性能退化早期誤報警或性能退化趨勢加速劣化誤報警。本文基于大量實驗數(shù)據(jù)驗證、優(yōu)化得出結(jié)論：滑移窗口中固定數(shù)組長度m與活動數(shù)組n長度之比維持在9:1最適宜?；拼翱陂L度視模型訓(xùn)練樣本數(shù)據(jù)總量及信號平穩(wěn)性而定，本研究中窗口長度取50個數(shù)據(jù)。

采用辛辛那提大學(xué)IMS中心軸承實驗數(shù)據(jù)集進行模型訓(xùn)練，分析模型中平滑系數(shù)λ與調(diào)整參數(shù)M的取值范圍，研究表明：當(dāng)λ在10～100之間取值時，M取值范圍為[36,70]；M取值一定時，λ的取值對滑移窗口活動數(shù)據(jù)最后一點的導(dǎo)數(shù)值的計算結(jié)果影響不大。詳細(xì)說明見4.1節(jié)。

4 實驗數(shù)據(jù)模型訓(xùn)練和驗證

4.1 旋轉(zhuǎn)設(shè)備性能退化預(yù)測模型軸承實驗數(shù)據(jù)訓(xùn)練

選用公開的辛辛那提大學(xué)智能維護系統(tǒng)中心實驗平臺上收集的滾動軸承數(shù)據(jù)集作為模型訓(xùn)練數(shù)據(jù)[25]。如圖4所示，實驗平臺主軸上安裝了4個ZA-2115雙列軸承，并對其進行了強制潤滑，同時保持2 000轉(zhuǎn)/分鐘的恒定速度。彈簧機構(gòu)用于向軸承2和軸承3施加26 689 N的徑向載荷，同時沿x軸和y軸在每個軸承上安裝了兩個PCB 353B33高靈敏度加速度傳感器。使用采樣率20 kHz的NI DAQ卡6062E每10分鐘收集一次長度為20 480點的振動信號。

進行模型訓(xùn)練，共收集了實驗數(shù)據(jù)984組，每組數(shù)據(jù)有20 480個點，軸承運行前期為運行正常階段，然后軸承狀態(tài)逐漸劣化，最終由于外圈故障導(dǎo)致停機。圖5為第532組數(shù)據(jù)的包絡(luò)譜圖，未出現(xiàn)故障特征頻率。采用類似的方法對第1～200組數(shù)據(jù)進行包絡(luò)譜分析，也未發(fā)現(xiàn)軸承故障特征頻率，由此可以判定1～200組數(shù)據(jù)為運行正常數(shù)據(jù)。首先，使用包絡(luò)譜分析篩選后的數(shù)據(jù)構(gòu)建正常原始波形數(shù)據(jù)集X0(ts)，其中s≤200；然后，再篩選構(gòu)建最優(yōu)的正常運行狀態(tài)數(shù)據(jù)集XR(tm)，其中m=45；如圖6和圖7所示，采用包絡(luò)譜逐點分析，一直到第533組數(shù)據(jù)才出現(xiàn)滾動軸承外圈故障特征頻率f0，這與WANG等[26]基于Gabor小波系數(shù)平方包絡(luò)頻譜分析得到在第533組數(shù)據(jù)時刻軸承發(fā)生早期故障的結(jié)論一致。

對篩選的正常運行狀態(tài)數(shù)據(jù)集XR(tm)分別計算出譜距離指標(biāo)數(shù)據(jù)。取45個譜距離指標(biāo)數(shù)據(jù)組成滑移窗口固定數(shù)組，并計算出固定數(shù)組可靠性數(shù)據(jù)l1趨勢濾波后曲線上點的導(dǎo)數(shù)的均值k0=1.39×10-6；取第1～5個實時監(jiān)測數(shù)據(jù)，計算譜距離指標(biāo)數(shù)據(jù)組成滑移窗口活動數(shù)組；構(gòu)建如圖2所示的數(shù)據(jù)驅(qū)動的旋轉(zhuǎn)設(shè)備性能退化預(yù)測模型；將533點作為軸承性能退化早期檢測點，滑移窗移動到第533點窗口內(nèi)最后一點導(dǎo)數(shù)的絕對值k533與k0的比值設(shè)定為調(diào)整參數(shù)M的最大值；若將530點作為軸承性能退化早期檢測點，530點導(dǎo)數(shù)的絕對值k532與k0的比值設(shè)定為調(diào)整參數(shù)M的最小值。

如圖8所示，當(dāng)λ∈[10,100]取值范圍、M為最大值時，研究得出M的取值范圍為[69.2,70.4]；當(dāng)M為最小值時，研究得出M的取值范圍為[35.8,36.2]?；贗MS中心軸承實驗數(shù)據(jù)構(gòu)建并訓(xùn)練模型，該模型平滑系數(shù)λ=50、調(diào)整參數(shù)M=53。

4.2 旋轉(zhuǎn)設(shè)備性能退化預(yù)測模型軸承實驗數(shù)據(jù)驗證

取平滑系數(shù)λ=50、調(diào)整參數(shù)M=53、修正系數(shù)CF=1，應(yīng)用構(gòu)建的數(shù)據(jù)驅(qū)動的旋轉(zhuǎn)設(shè)備性能退化預(yù)測模型，得出所有可能的報警點。由表1可以看出：自第15組數(shù)據(jù)時刻連續(xù)2次報警、自第163組數(shù)據(jù)時刻連續(xù)5次報警、在第259組數(shù)據(jù)時刻1次報警、自第291組數(shù)據(jù)時刻連續(xù)5次報警、自第320組數(shù)據(jù)時刻連續(xù)5次報警、在第345組數(shù)據(jù)時刻1次報警、自第426組數(shù)據(jù)時刻連續(xù)5次報警、自第532組數(shù)據(jù)時刻連續(xù)報警，自第15組數(shù)據(jù)時刻、第21組數(shù)據(jù)時刻、第163組數(shù)據(jù)時刻、第259組數(shù)據(jù)時刻、第291組數(shù)據(jù)時刻、第320組數(shù)據(jù)時刻、第345組數(shù)據(jù)時刻、第426組數(shù)據(jù)時刻的連續(xù)報警次數(shù)都沒有超過模型活動數(shù)組長度(n=5)。按照圖2構(gòu)建的數(shù)據(jù)驅(qū)動的旋轉(zhuǎn)設(shè)備性能退化預(yù)測模型早期檢測點的判別規(guī)則，第541組數(shù)據(jù)時刻為模型尋找的設(shè)備性能退化趨勢早期故障檢測點。如圖9所示，采用圖2構(gòu)建的模型計算出的設(shè)備性能退化預(yù)警點為第532組數(shù)據(jù)時刻，比常規(guī)的基于有效值(RMS)判斷的第703組數(shù)據(jù)時刻性能退化預(yù)警點早了(703-532)×10=1 710 min。本模型具有較強的工程實踐意義。

表1 IMS中心軸承實驗臺NO.2軸承實驗數(shù)據(jù)計算出報警點對應(yīng)的滑移窗口活動數(shù)組數(shù)據(jù)序號

5 工程案例數(shù)據(jù)模型驗證

以離心式壓縮機轉(zhuǎn)子不平衡故障案例數(shù)據(jù)對構(gòu)建的數(shù)據(jù)驅(qū)動的旋轉(zhuǎn)設(shè)備性能退化預(yù)測模型進行工程驗證。中國某石化公司BCL409/B型循環(huán)氫離心式壓縮機額定轉(zhuǎn)速12 100 轉(zhuǎn)/min，軸振動固定報警限值為63.5 μm(高限報警)/88.9 μm(聯(lián)鎖報警)。在第1 218組數(shù)據(jù)時刻，振動峰—峰值由37.17 μm上漲到71 μm；在第1 706組數(shù)據(jù)時刻，振動峰—峰值上漲到92 μm后聯(lián)鎖停機，檢修發(fā)現(xiàn)轉(zhuǎn)子、流道、過濾網(wǎng)結(jié)垢嚴(yán)重，更換新轉(zhuǎn)子后開機運行正常。

5.1 離心式壓縮機性能退化早期檢測

對比圖10和圖11，采用本文構(gòu)建的旋轉(zhuǎn)設(shè)備性能退化早期預(yù)測模型可以判斷出第787組數(shù)據(jù)為性能退化早期故障檢測預(yù)警點(如表2)，而采用傳統(tǒng)的峰—峰值固定閾值報警方法在第1 218組數(shù)據(jù)時刻才發(fā)生報警，早期故障預(yù)警方法前者比后者提前了(1218-787)×10=4 310 min，這對于避免非計劃停機、制定預(yù)測性維修時間具有非常重要的工程價值。

5.2 離心式壓縮機性能退化早期檢測點驗證

如圖12所示，在轉(zhuǎn)子不平衡故障發(fā)生時，振動信號基頻上的振幅會發(fā)生變化，壓縮機運行正常狀態(tài)下基頻上的幅值穩(wěn)定在4 μm。按照本文構(gòu)建的旋轉(zhuǎn)設(shè)備性能退化預(yù)測模型，以基頻上的幅值數(shù)據(jù)代替譜距離指數(shù)運行可靠性數(shù)據(jù)，計算出在第790組數(shù)據(jù)時刻基頻上幅值開始增加(圖12)，比譜距離指數(shù)法延遲了(790-787)×10=30 min的時間間隔(譜距離指數(shù)表征設(shè)備性能退化狀態(tài)比有效值、峰—峰值靈敏)。采用l1趨勢濾波和動態(tài)自學(xué)習(xí)閾值控制線方法[16]，近似確定基頻上相位在第825組數(shù)據(jù)時刻發(fā)生了變化(如圖13)。依據(jù)基頻上幅值增大、相位也發(fā)生變化可以判定為轉(zhuǎn)子不平衡故障發(fā)生的先驗知識，證明在第787～825組數(shù)據(jù)之間某時刻有轉(zhuǎn)子不平衡故障發(fā)生。保守測算，采用第825組數(shù)據(jù)時刻作為離心壓縮機性能退化早期故障檢測預(yù)警點，相比采用傳統(tǒng)的峰—峰值固定閾值報警方法在第1 218組數(shù)據(jù)時刻才發(fā)生報警，早期故障預(yù)警方法前者比后者提前了(1 218-825)×10=3 930 min，這對于避免非計劃停機、實施預(yù)測性維修具有非常重要的工程價值。

6 結(jié)束語

針對在役狀態(tài)監(jiān)測系統(tǒng)采用常規(guī)固定閾值報警難以追蹤到旋轉(zhuǎn)設(shè)備性能退化的發(fā)生及發(fā)展趨勢的工程實際問題，構(gòu)建了一種數(shù)據(jù)驅(qū)動的旋轉(zhuǎn)設(shè)備性能退化預(yù)測模型，提出了一種基于運行可靠性曲線l1趨勢濾波斜率變化動態(tài)監(jiān)測的旋轉(zhuǎn)設(shè)備性能退化趨勢預(yù)測方法。構(gòu)建的模型只需要旋轉(zhuǎn)設(shè)備運行正常狀態(tài)監(jiān)測原始數(shù)據(jù)，它不需要依賴故障機理、故障特征信號等先驗知識以及外部專家經(jīng)驗。

利用辛辛那提大學(xué)智能維修系統(tǒng)(IMS)中心軸承實驗臺No.2軸承運轉(zhuǎn)到壞的加速度數(shù)據(jù)對構(gòu)建的旋轉(zhuǎn)設(shè)備性能退化預(yù)測模型進行了訓(xùn)練，得出模型中l(wèi)1趨勢濾波平滑系數(shù)λ∈[10,100]、M∈[36,70]時，對于滾動軸承性能退化早期故障檢測點結(jié)果影響不大。取平滑系數(shù)λ=50、調(diào)整參數(shù)M=53、修正系數(shù)CF=1，應(yīng)用構(gòu)建的數(shù)據(jù)驅(qū)動的旋轉(zhuǎn)設(shè)備性能退化預(yù)測模型可以確定滾動軸承性能退化早期檢測點為第532組數(shù)據(jù)時刻，這種方法比基于有效值(RMS)判斷的第703組數(shù)據(jù)時刻早了1 710 min。

應(yīng)用中國某石化公司離心壓縮機轉(zhuǎn)子不平衡故障案例的振動位移峰—峰值數(shù)據(jù)，對構(gòu)建的旋轉(zhuǎn)設(shè)備性能退化預(yù)測模型進行了驗證。應(yīng)用構(gòu)建的旋轉(zhuǎn)設(shè)備性能退化預(yù)測模型，取平滑系數(shù)λ=50、調(diào)整參數(shù)M=53，計算修正系數(shù)CF=4.61，確定該離心式壓縮機性能退化發(fā)生在第787組數(shù)據(jù)時刻；取平滑系數(shù)λ=50、調(diào)整參數(shù)M=53，計算修正系數(shù)CF=5.14，轉(zhuǎn)子基頻上幅值增加發(fā)生在第790組數(shù)據(jù)時刻。采用l1趨勢濾波和動態(tài)自學(xué)習(xí)閾值控制線方法，近似確定基頻上相位在第825組數(shù)據(jù)時刻發(fā)生了變化?；谙闰炛R判斷：離心壓縮機在第787～825組數(shù)據(jù)之間某時刻發(fā)生了轉(zhuǎn)子不平衡早期故障，比傳統(tǒng)的峰—峰值固定閾值報警方法至少提前3 930 min預(yù)測到設(shè)備性能退化早期故障的發(fā)生。

應(yīng)用本文構(gòu)建的數(shù)據(jù)驅(qū)動的旋轉(zhuǎn)設(shè)備性能退化預(yù)測模型，只需要運行正常狀態(tài)下的振動原始數(shù)據(jù)，無需依賴外部專家先驗知識，能夠準(zhǔn)確預(yù)測和追蹤旋轉(zhuǎn)設(shè)備性能退化趨勢的發(fā)生和發(fā)展，這為工業(yè)4.0環(huán)境下實現(xiàn)基于工業(yè)大數(shù)據(jù)分析的預(yù)測性維修提供了技術(shù)支撐。

未來將把本文提出的旋轉(zhuǎn)設(shè)備性能退化趨勢預(yù)測方法，應(yīng)用于煉油廠催化裂化裝置煙氣輪機、主風(fēng)機葉片斷裂突發(fā)性故障的早期預(yù)警，并根據(jù)模型測試和驗證情況不斷優(yōu)化模型參數(shù)的設(shè)置。