一种数据驱动的旋转机械早期故障检测模型构建和应用研究

• 作者: 刘家赫 卫炳坤 王庆锋 许述剑 马文生
• 来源期刊: 机械工程学报
• 学科: 工学
• 关键词: 小波包分解 动态核主成分分析 监测统计量 早期故障检测 预测性维修
• 年，卷（期）: 2020,（16）
• 所属期刊栏目: 仪器科学与技术
• 页码范围: 22-32
• 页数: 11页
• 分类号: TH17
• 语种: 中文
• DOI: 10.3901/JME.2020.16.022

摘要

传统在线监测系统未能实现早期故障预警,旋转机械状态劣化评估采用固定阈值分级报警方法,存在较多的误报警和漏报警现象,难以指导企业设备预测性维修开展,设备运行安全性、可靠性、利用率难以保障.立足于工程应用,研究基于小波包分解、动态核主成分分析、T2统计分析、Beta分布预警控制限自学习等技术,构建数据驱动基于振动信号分析的旋转机械早期故障检测模型.应用辛辛那提大学智能维修系统中心滚动轴承试验数据和中国某石化公司加氢裂化装置P3409A离心泵轴承“运转到坏”的在线监测振动数据,对构建的设备早期故障检测模型进行验证,结果表明,构建的设备早期故障检测模型,相比传统固定阈值分级报警方法,能够检测滚动轴承早期故障并实现早期故障准确告警,能够有效降低错误报警率和漏报警率.构建的基于振动信号的旋转机械早期故障检测模型,只需要知道监测部件正常运行状态历史数据,无需外部专家支持,实时数据驱动即可实现早期故障检测预警.