风机滚动轴承的视情维修.docVIP

振动检测

随着数据信息量的大幅度提升以及5G技术的发展，基于5G的边缘计算技术已成为一种实时高效的数据处理方式且被广泛使用。机械设备的故障中有相当一部分是由滚动轴承失效引起的，所以如果能通过实时监控滚动轴承的运行状态，在滚动轴承失效之前就进行更换，将能大幅度降低此类事故的发生。现在，随着5G边缘计算技术的进步，这样的设想已经成为了现实。

采用加速度传感器来检测轴承振动的加速度，结合滚动轴承的时域和频谱特征，通过傅里叶变换[1]、神经网络算法和聚类算法[2]对轴承分类状态进行识别，可实现对滚动轴承的实时状态监测，如图1所示。

加速度传感器

神经网络算法

4sinθ

π

43sin30

4sin5θ

5n

437?

Q

傅里叶变换

聚类算法

图1通过4种设备及技术可以实现滚动轴承的实时监控

振动检测的数据再通过5G边缘计算，便能区分出是动平衡、对中的问题，还是轴承出现了损伤，且给出一个各项缺陷占比的报告。

将振动检测用于轴承的视情维修

理论上，由电机带动的滚动轴承能被观测到的物理参数至少有如下几个：电机运行的电流、轴承运行的振动、轴承运行的杂音以及轴承部位的升温(它们不一定都能用来进行预警监测)。

对于旋转机器的振动监测和分析，主要是评价其运行的健康状态，发现和诊断可能存在的潜在故障，包括：不平衡、轴弯曲、偏心、不对中、共振问题、基础松动、轴承问题等。轴承的问题又可以进一步分为：磨损失效、疲劳失效、腐蚀失效、压痕失效及胶合失效。

按照以可靠性为中心的维护(ReliabilityCenteredMaintenance)[3]理论，在技术可行和实行有价值的情况下，主动性维修中应首选视情维修，且应以小于P到F的时间间隔期进行视情维修，如图2的运行状态图所示。从图2中可以看到失效迹象最敏感的是振动，依次是杂音、升温和发烟，而电机的电流不能够作为判断的依据。敏感程度排序依次为：振动→杂音→升温→发烟。

图2设备运行状态示意图

从出现振动到失效会有数月的周期间隔，从出现杂音到失效也会有数周的周期间隔，从出现升温到失效只有几天的周期间隔，从出现发烟到失效就仅有几分钟的时间。图2中P点为潜在失效点(PotentialFailure),F点为失效点(Failure)。

在P点之后，随着失效迹象的进一步明显，依次会出现杂音、升温，等到出现发烟，设备很快就会失效了。在P点之前发生的故障，则纯粹是概率事件，所以无法预测。

轴承的振动检测理论上仅需要定期进行，实施的检查周期只要短于P到F的时间间隔，即如果采用振动监测来进行视情维修，其检查的周期只需要小于1个月。然而在发现轴承潜在失效后，尚需要进行处置和恢复的时间，这个处置和恢复必

须在失效前执行完毕。为此，包括行动时间在内的整个检查周期都应小于P到F的时间间隔，考虑到振动检测的成本不高且方便，建议设置为2～3周。当然，如果能做到实时监测，就可以更好地维护设备，并进行如图3所示的平台化管理。有些制药公司本来就建有SCADA系统(数据采集与监视控制系统),其服务器可以设置在云端或本地，监测结果可以实时从手机的APP上获得。由此看来，用振动监测来进行旋转设备的视情维修，是一个运用以可靠性为中心维护理论的教科书般的案例。

大数据云

大数据云

服务器

远程诊断

维修工程师

数据采集分析设备故障

电机泵风机减速机轴承