论文部分内容阅读
摘要：在工厂正常的生产运行过程中，发动机、生产机等数控设备传动系统一旦出现故障，一方面会影响工作效率，另外也会造成额外的设备维修和折旧成本，目前，我国传动系统的可用性较低，这与故障率高直接相关。因此，在SINAMICS S120驱动的传动系统中，加强对驱动系统的监控水平，采取适当的手段对传动系统进行预警和诊断，可以降低传动系统故障发生率，本文对传动系统的故障诊断技术在故障预警中的应用进行了详尽而全面的分析。
关键词：传动故障预警;驱动诊断技术;实践探析
1 传动故障预警概述
随着现代生产率的提高，传动系统设备的结构越来越复杂，功能越来越完善，自动化程度也在不断提高。由于许多因素的影响，设备将产生突然或逐步的故障。为了确保设备的稳定高效运行，采用必要的监控方法和故障诊断技术来判断机械设备的各种异常情况，实现对设备传动系统故障预警功能十分重要，为此出现了多种传动系统故障预警方法。作为传递动力并与速度匹配的机械设备，传动系统如果设计、制造不当，装配不当，维护不当或过度疲劳，可能会导致轴承、丝杠等零件损坏。信号采集技术的不断改进也促使各种监控信息的不断融合，并不断形成一种融合多源数据的故障诊断方法。
然而，尽管信号处理方法和特征提取技术得到了长足的发展，但传统的设备状态监测和故障预警仍主要基于局限性理论，即简单的单阈值触发，仍然缺乏分析和处理的能力。另外，如果故障特征非常不明显，在实际运行中很难对关键设备进行故障实验验证，测试台的模拟测试验证离实际应用环境还很远。通过通常使用的简单仿真软件验证很难获得令人信服的验证结果。当早期故障特征很弱时，将它们挖出来并不容易。换句话说，尚未对特定故障的敏感特征进行挖掘。
2 SINAMICS S120驱动诊断技术
SINAMICS S120具有非常丰富的控制方法和控制模式，由于传动系统是重型设备，传动过程中实际转矩大小和方向始终在变化，因此有必要对变频器的PI参数增加变比调整，最终解决了传输系统的抖动问题，使传输系统达到了预期的效果。此外，该驱动器内部还集成了模块化的整流模块和逆变器。整流器模块用于集中整流，并为中间电路提供直流电。它可以为不同的应用提供基本整流、反馈整流和有源整流。逆变器模块是多驱动器设计，这个模块能够从系统的直流母线中获得驱动模块的电流功率，进而对传动系统的电动机进行驱动，通过连接到公共DC总线，可以在模塊之间交换能量，即，以发电机模式运行的逆变器模块产生的能量可以被以电动机模式运行的其他逆变器使用。SINAMICS S120在使用过程中可以进行灵活的设计，进而满足不同设备对驱动系统的具体要求，同时，SINAMICS S120驱动系统和主运动控制器的组合使用可用于多轴伺服控制和矢量控制。同时，SINAMICS S120驱动系统使用场合十分广泛，用于不同的设备可以实现模块化操作，符合现代自动化设备的大势所趋，此外，该驱动系统的动态性能良好，成功实现了设备运行效率的提升，减小了设备维修的技术难度和费用，进而降低了设备运转的成本，此外驱动的操作界面更容易设计和调试。
2.1 传统设备故障诊断技术
传统的故障诊断方法通常包括幅值分析、频域分析和船体分析，利用幅值主参数可以快速、定性地对设备进行故障诊断，故障诊断是基于频谱中的频率分量和相关频率分量的幅值。由于机车车辆换档信号往往含有大量的噪声，机车车辆误差的特征频率成分有时在频谱上显示不清楚。对不同降噪的振动信号进行频谱分析，然后用包络检测法得到包络形式，包含与车辆诊断相关的特征信号。
2.2 振动分析
通过对传动系统的信号进行分析进而对传动系统的故障实现诊断是一种常用的故障诊断方法，某些关键设备的实时振动信号监控可以实时、准确地反映这些设备的运行状态和变化趋势。在基于振动信号的故障诊断中：首先，必须选择合适的加速度传感器设定点，以确保所收集的数据能够详细、全面地反映设备的运行状态;其次，首先对采集到的振动信号的振动强度进行分析，即在时域内对振动信号进行处理对传动系统的工作状态进行判断，最后利用频域分析方法进行故障预警，另外可以使用某些特殊的诊断分析方法对设备的特定组件进行深入分析。
2.3 油液故障分析
在传动系统的状态监控中，机油分析主要用于监控机油质量并定性分析单元部件的状态。国外的这种监测技术相对成熟。一套完整的传动系统油液监控系统已经开发并广泛使用。油液分析对仪器的精度有严格的要求，红外光谱分析技术需要复杂的测量仪器，这对监测环境也有更高的要求，并且更难用于在线监测。油液分析仪见图1。
2.4 能量故障分析诊断
能量信号元素的测量方法，如瞬时输入功率，机械设备的转矩和速度的测量进而对系统的故障进行分析，这种方法得到了越来越广泛的使用，例如采用应变测量技术。但是由于用于测量应变的光纤传感器的高昂成本，这种监测技术并未得到广泛应用。为了解决该问题，目前正在开发基于光纤传感器的低成本监视系统。
2.5 利用人工智能技术进行故障诊断
广义上讲，传动系统故障可以理解为传动系统表现出不良特性，人们设置故障阈值以进行比较，以实现对传动系统组件的早期预警。在这种故障诊断方法中，人们将通过获取各种先验信息来建立传动系统组件的预测模型，然后通过传动系统的预测模型来确定各种故障的预警标准。在故障警告期间，通过将确定的故障警告标准与实时数据进行比较来实现故障警告。神经网络已越来越广泛地应用于故障预警领域。SINAMICS S120硬件配置见图2。
3 具体实践应用
3.1 对驱动系统采用独立变量分解方法进行机械故障诊断
其一，可以执行信号的盲源分离，将信号分解为各种不相关的空间信号向量和信号重建。在信号源被分离之后，每个源信号被进一步处理。 其二，可以将信号进行单向分解，目前的算法仅适合于脉冲响应函数相对简单的情况，在这个部分的算法设计过程中，信号先被转换为一系列长度相等的小频带进而提取信号的故障信息特征，通过与最终得出的马氏距离对故障进行特征提取与分析。
3.2 用XGBoost算法进行建模对系统进行故障预警分析
近年来，Xtreme（Radiant Boosting，XGBoost）在国内外大数据竞赛中受到“青睐”。XGBoost算法在传统的梯度提升算法的基础上引入了并行处理和修剪策略，可以更好地利用计算资源来加速目标函数的拟合。XGBoost的快速性和高精度使其在处理大数据样本时仍具有很高的通用性。因此，可以将XGBoost引入传输系统故障的预警中。XGBoost算法的速度和准确性使其成为国内外各种大数据竞赛中的常客，并被广泛应用于医疗金融等领域。 XGBoost基于传统的梯度提升算法，对目标函数执行修剪以加快其拟合速度。同时，XGBoost算法极大地提高了计算速度。与传统的梯度增强回归树相比，XGBoost的优势在于该算法将目标函数扩展为二阶泰勒公式，将多个“弱”学习模型叠加到“强”学习机中，并结合了正则化和预测项。在简化目标函数后从而获得了最优的解决方案。
4 结束语
除了基于振动信号的故障预警和诊断外，SINAMICS S120系统作为传动系统自动控制的核心，还可以快速掌握系统的运行状态，加快决策速度并快速进行诊断。但是，挖掘SINAMICS S120系统数据还远远不够。对于設备的操作，它通常基于单个阈值警告，并且SINAMICS S120数据之间没有相关性。SINAMICS S120数据的直接相关性可以反映驱动器的运行状况，因此进一步挖掘SINAMICS S120数据之间的关系可以更好地实现设备状态监测以及故障预警和诊断。
参考文献：
[1]胡劲松，杨世锡.滤波技术对旋转机械振动信号EMD的影响[J].风机技术，2003，4.
[2]邓拥军，王伟，等.EMD方法及Hilbert变换中的边界问题的处理[J].科学通报，2001，2.
[3]关惠铃，韩捷.设备故障诊断专家系统原理及实践[J].机械工业出版社，2000.
[4]韩振南，熊诗波，李进宝.小波神经网络在齿轮早期故障诊断中的应用[J].煤矿机械，哈尔滨，2003，5.
[5]鲍明，赵淳生.齿轮故障诊断的技术研究[J].南京航空学院学报，1992，24（5）.
[6]樊可清，屈梁生.基于扭振信号的齿轮故障诊断研究[J].中国机械工程，1999，10（4）.
关键词：传动故障预警;驱动诊断技术;实践探析
1 传动故障预警概述
随着现代生产率的提高，传动系统设备的结构越来越复杂，功能越来越完善，自动化程度也在不断提高。由于许多因素的影响，设备将产生突然或逐步的故障。为了确保设备的稳定高效运行，采用必要的监控方法和故障诊断技术来判断机械设备的各种异常情况，实现对设备传动系统故障预警功能十分重要，为此出现了多种传动系统故障预警方法。作为传递动力并与速度匹配的机械设备，传动系统如果设计、制造不当，装配不当，维护不当或过度疲劳，可能会导致轴承、丝杠等零件损坏。信号采集技术的不断改进也促使各种监控信息的不断融合，并不断形成一种融合多源数据的故障诊断方法。
然而，尽管信号处理方法和特征提取技术得到了长足的发展，但传统的设备状态监测和故障预警仍主要基于局限性理论，即简单的单阈值触发，仍然缺乏分析和处理的能力。另外，如果故障特征非常不明显，在实际运行中很难对关键设备进行故障实验验证，测试台的模拟测试验证离实际应用环境还很远。通过通常使用的简单仿真软件验证很难获得令人信服的验证结果。当早期故障特征很弱时，将它们挖出来并不容易。换句话说，尚未对特定故障的敏感特征进行挖掘。
2 SINAMICS S120驱动诊断技术
SINAMICS S120具有非常丰富的控制方法和控制模式，由于传动系统是重型设备，传动过程中实际转矩大小和方向始终在变化，因此有必要对变频器的PI参数增加变比调整，最终解决了传输系统的抖动问题，使传输系统达到了预期的效果。此外，该驱动器内部还集成了模块化的整流模块和逆变器。整流器模块用于集中整流，并为中间电路提供直流电。它可以为不同的应用提供基本整流、反馈整流和有源整流。逆变器模块是多驱动器设计，这个模块能够从系统的直流母线中获得驱动模块的电流功率，进而对传动系统的电动机进行驱动，通过连接到公共DC总线，可以在模塊之间交换能量，即，以发电机模式运行的逆变器模块产生的能量可以被以电动机模式运行的其他逆变器使用。SINAMICS S120在使用过程中可以进行灵活的设计，进而满足不同设备对驱动系统的具体要求，同时，SINAMICS S120驱动系统和主运动控制器的组合使用可用于多轴伺服控制和矢量控制。同时，SINAMICS S120驱动系统使用场合十分广泛，用于不同的设备可以实现模块化操作，符合现代自动化设备的大势所趋，此外，该驱动系统的动态性能良好，成功实现了设备运行效率的提升，减小了设备维修的技术难度和费用，进而降低了设备运转的成本，此外驱动的操作界面更容易设计和调试。
2.1 传统设备故障诊断技术
传统的故障诊断方法通常包括幅值分析、频域分析和船体分析，利用幅值主参数可以快速、定性地对设备进行故障诊断，故障诊断是基于频谱中的频率分量和相关频率分量的幅值。由于机车车辆换档信号往往含有大量的噪声，机车车辆误差的特征频率成分有时在频谱上显示不清楚。对不同降噪的振动信号进行频谱分析，然后用包络检测法得到包络形式，包含与车辆诊断相关的特征信号。
2.2 振动分析
通过对传动系统的信号进行分析进而对传动系统的故障实现诊断是一种常用的故障诊断方法，某些关键设备的实时振动信号监控可以实时、准确地反映这些设备的运行状态和变化趋势。在基于振动信号的故障诊断中：首先，必须选择合适的加速度传感器设定点，以确保所收集的数据能够详细、全面地反映设备的运行状态;其次，首先对采集到的振动信号的振动强度进行分析，即在时域内对振动信号进行处理对传动系统的工作状态进行判断，最后利用频域分析方法进行故障预警，另外可以使用某些特殊的诊断分析方法对设备的特定组件进行深入分析。
2.3 油液故障分析
在传动系统的状态监控中，机油分析主要用于监控机油质量并定性分析单元部件的状态。国外的这种监测技术相对成熟。一套完整的传动系统油液监控系统已经开发并广泛使用。油液分析对仪器的精度有严格的要求，红外光谱分析技术需要复杂的测量仪器，这对监测环境也有更高的要求，并且更难用于在线监测。油液分析仪见图1。
2.4 能量故障分析诊断
能量信号元素的测量方法，如瞬时输入功率，机械设备的转矩和速度的测量进而对系统的故障进行分析，这种方法得到了越来越广泛的使用，例如采用应变测量技术。但是由于用于测量应变的光纤传感器的高昂成本，这种监测技术并未得到广泛应用。为了解决该问题，目前正在开发基于光纤传感器的低成本监视系统。
2.5 利用人工智能技术进行故障诊断
广义上讲，传动系统故障可以理解为传动系统表现出不良特性，人们设置故障阈值以进行比较，以实现对传动系统组件的早期预警。在这种故障诊断方法中，人们将通过获取各种先验信息来建立传动系统组件的预测模型，然后通过传动系统的预测模型来确定各种故障的预警标准。在故障警告期间，通过将确定的故障警告标准与实时数据进行比较来实现故障警告。神经网络已越来越广泛地应用于故障预警领域。SINAMICS S120硬件配置见图2。
3 具体实践应用
3.1 对驱动系统采用独立变量分解方法进行机械故障诊断
其一，可以执行信号的盲源分离，将信号分解为各种不相关的空间信号向量和信号重建。在信号源被分离之后，每个源信号被进一步处理。 其二，可以将信号进行单向分解，目前的算法仅适合于脉冲响应函数相对简单的情况，在这个部分的算法设计过程中，信号先被转换为一系列长度相等的小频带进而提取信号的故障信息特征，通过与最终得出的马氏距离对故障进行特征提取与分析。
3.2 用XGBoost算法进行建模对系统进行故障预警分析
近年来，Xtreme（Radiant Boosting，XGBoost）在国内外大数据竞赛中受到“青睐”。XGBoost算法在传统的梯度提升算法的基础上引入了并行处理和修剪策略，可以更好地利用计算资源来加速目标函数的拟合。XGBoost的快速性和高精度使其在处理大数据样本时仍具有很高的通用性。因此，可以将XGBoost引入传输系统故障的预警中。XGBoost算法的速度和准确性使其成为国内外各种大数据竞赛中的常客，并被广泛应用于医疗金融等领域。 XGBoost基于传统的梯度提升算法，对目标函数执行修剪以加快其拟合速度。同时，XGBoost算法极大地提高了计算速度。与传统的梯度增强回归树相比，XGBoost的优势在于该算法将目标函数扩展为二阶泰勒公式，将多个“弱”学习模型叠加到“强”学习机中，并结合了正则化和预测项。在简化目标函数后从而获得了最优的解决方案。
4 结束语
除了基于振动信号的故障预警和诊断外，SINAMICS S120系统作为传动系统自动控制的核心，还可以快速掌握系统的运行状态，加快决策速度并快速进行诊断。但是，挖掘SINAMICS S120系统数据还远远不够。对于設备的操作，它通常基于单个阈值警告，并且SINAMICS S120数据之间没有相关性。SINAMICS S120数据的直接相关性可以反映驱动器的运行状况，因此进一步挖掘SINAMICS S120数据之间的关系可以更好地实现设备状态监测以及故障预警和诊断。
参考文献：
[1]胡劲松，杨世锡.滤波技术对旋转机械振动信号EMD的影响[J].风机技术，2003，4.
[2]邓拥军，王伟，等.EMD方法及Hilbert变换中的边界问题的处理[J].科学通报，2001，2.
[3]关惠铃，韩捷.设备故障诊断专家系统原理及实践[J].机械工业出版社，2000.
[4]韩振南，熊诗波，李进宝.小波神经网络在齿轮早期故障诊断中的应用[J].煤矿机械，哈尔滨，2003，5.
[5]鲍明，赵淳生.齿轮故障诊断的技术研究[J].南京航空学院学报，1992，24（5）.
[6]樊可清，屈梁生.基于扭振信号的齿轮故障诊断研究[J].中国机械工程，1999，10（4）.