风机振动故障诊断及处理
摘要：本文通过分析图谱来判断风机的工作状况及故障所在。

主要介绍风机等旋转机械的故障机理、风机状态监测与故障诊断技术的发展趋势。

关键词：风机；故障诊断；振动
1 风机故障机理研究
风机的故障常从振动状况方面体现出来，根据振动信号进行监测与诊断是目前风机设备维护管理的主要手段，经过多年的发展与完善，风机振动故障诊断已经形成了比较完备的理论与技术体系。

近年来，随着非线性理论的发展，尤其是信号处理、知识工程和计算智能等理论技术与故障诊断的融合渗透，使风机故障诊断的内容得到了进一步的丰富与充实。

发生故障的风机设备在运行中一般处于非线性振动状态，应用非线性动力学理论，针对电机组轴系存在的关键振动问题，建立了转子非线性动力学模型，从理论、试验和数值计算等方面，对各种故障因素影响下的动力学行为进行了综合分析，提出了对轴系振动故障进行综合治理的方案。

阐述了风机等旋转机械常见故障，如不平衡、不对中、弯曲、裂纹、松动、碰摩、喘振、油膜涡动、油膜振荡、旋转失速等故障的产生机理，以表格的形式总结出了各种故障与振动特征、敏感参数和故障原因之间的对应关系，给出了相应的治理措施。

总体来说，风机振动故障产生于4个方面：电机、风机本身、
基础和风管。

其因果分析如图 1所示，其中由风机本身原因引起的故障占主导地位。

2 风机故障的诊断推理
目前，故障诊断推理过程中采用的方法较多，按照它们隶属的学科体系，可以将其分为 3类：基于控制模型故障诊断、基于模式识别故障诊断和基于人工智能故障诊断。

（1）基于控制模型的故障诊断
对于动态系统，若通过理论或实验方法能够建立模型，则系统参数或状态的变化可以直接反映设备物理系统或物理过程变化，为故障诊断提供依据。

此方法涉及模型建立、参数估计、状态估计和观测器应用等技术，其中，参数与状态估计技术是关键，需要系统的精确模型，在实际生产环境中，对于复杂的设备而言，该方法不是经济可行的。

（2）基于模式识别的故障诊断
模式识别是对一系列过程或事件进行分类或描述，主要分为统计法和语言结构法两大类。

设备的故障诊断可以视为模式识别过程：测量并记录设备的运行状态参数，从中提取故障征兆参数，对于不同的故障状态，相应的征兆参数形成不同的模式，将系统的状态模式与故障字典中的故障样本模式进行匹配，从而识别出设备的故障。

当系统的模型未知或者非常复杂时，该方法为解决故障诊断问题提供了一种简便有效的手段。

（3）基于人工智能的故障诊断
基于人工智能故障诊断的研究主要分为两类：基于知识（符号推理）的故障诊断和基于神经网络（数值计算）的故障诊断。

①基于知识的故障诊断
大致经历了两个发展阶段：基于浅知识（规则）的专家系统和基于深知识（模型知识）的专家系统。

专家系统是一种人工智能软件系统，利用领域专家的经验知识，根据用户给出的关于问题的信息数据，按照一定的推理机制，从知识库中选择对于问题的最合理的解释。

基于知识的故障诊断专家系统有很多优点，例如：适合于模拟人的逻辑思维过程，解决需要进行逻辑推理的复杂诊断问题；知识可以用符号表示，在已知基本规则的情况下，无需大量的细节知识；便于与传统的符号数据库接口等。

虽然已经出现了许多成熟的商业软件，并且在工程实践中得到了应用，但仍存在一些问题：知识获取中的“瓶颈”问题难于解决；“知识窄台阶”问题；易产生“组合爆炸”、“无穷递归”问题；实时在线诊断能差等。

②基于神经网络的故障诊断
神经网络是模拟生物神经系统而建立起来的自适应非线性动力学系统，具有可学习性和并行计算能力，可以实现分类、自组织、联想记忆和非线性优化等功能。

神经网络用于故障诊断领域，可以解决趋势预测和诊断推理问题。

目前，在故障诊断中应用较多的有多层感知器（mlp）网络、自适应共振理论（art）、自组织特征映射（fm）和双向联想记（bam）等。

为了提高神经网络的工作性能，人们对网络的结构类型、学习算法和样本处理等问题进行了研
究：应用模块化神经网络解决大规模复杂问题；应用剪枝法优化网络连接方式；将遗传算法和混沌理论应用于网络的学习训练中，解决局部极小问题；为提高网络的泛化能力、加快网络学习速度，在训练样本中加入噪声，或者对样本数据进行优化处理。

基于神经网络的智能故障诊断具有很多优点：知识表达形式统一，知识库组织管理容易，通用性强，便于移植与扩展；知识获取容易实现自动化（如自组织自学习）；可以实现并行联想和自适应推理，容错性强；能够表示事物之间的复杂关系（如模糊关系）；可以避免传统专家系统的“组合爆炸”和“无穷递归”问题；推理过程简单，可以实现实时在线诊断。

但是也存在着一些问题：训练样本获取困难；忽视了领域专家的经验知识；连接权重形式的知识表达方式难于理解等。

3风机状态监测与故障诊断技术的发展趋势
（1）整体系统，已从单纯监测分析诊断向主动控制的方向发展。

整个系统向着可靠性、智能化、开放性以及与设备融合为一体的方向发展，例如，利用可控电磁阻尼器和参数可控挤压油膜阻尼器来在线消除机组失稳故障，采用在转子上安装平衡头的方法来解决机组不平衡故障，使用高精度的中心标高测试仪以及可控支座调节器来处理不对中故障等。

（2）采集器，向着高精度、高速度、高集成以及多通道方向发展，精度从 8位到 12位甚至 16位；采集速度从几赫发展到可达到几万赫；采集方式从等时采样到等角度同步整周期采样方向发
展，这样可以提供包括相位在内的多种信息：采集的数据从只有稳态数据发展到包括瞬态数据在内的多种数据。

（3）数据传输，从计算机的串行口和并行口通讯向着网络通讯（波特率可达 1o兆、100兆、甚至几百兆）的方向发展。

（4）监测系统，向对用户更友好的方向发展，显示直观化，操作方便化，采用计算机技术的最新成果，使用多媒体技术，大屏幕立体动态图像显示。

（5）诊断系统，向智能化诊断多种故障的方向发展，由在线采集、离线诊断向在线采集、实时诊断方向发展，提高诊断准确率。

（6）数据存储，向大容量方向发展，存储方式向通用大型数据库方向发展。

总的来说，在风机的在线检测和故障诊断方面，尽管国内己经取得了一定的进步，但与国外先进水平相比还有很大的差距，系统所具备的功能不很完善，在形成专用的智能软件方面也还有一段距离。

参考文献：
[1]陈予恕，田家玉，金宗武，等.非线性动力学理论与大型火电机组振动故障综合治理技术[j].中国机械工程，2006，10（9）：1063—1068.
[2]徐敏，张瑞林.设备故障诊断手册[m].西安：西安交通大学出版社.2006：291—434
[3]盛兆顺，尹琦岭.设备状态监测与故障诊断技术及应用[m].
北京：化学工业出版社，2006.。