取向硅钢机组关键电机、风机智能诊断

李敏明

摘要：本文介绍了某钢厂取向硅钢产品结构优化机组关键电机、风机在线监测诊断系统的开发，阐述了在线监测诊断系统的开发的必要性，硅钢四期环形炉工艺风机监测诊断是以在线振动监测数据为基础，利用网络远程监控振动数据、频谱分析，结合工况信息对风机的状态进行综合把控，。它打破了人、物和数据的空间与物理界限，是智慧化设备管理在智能制造服务环节的集中体现。

关键词：智能诊断；开关；直流供电；报警系统

引言

硅钢作为某钢厂的核心产品，硅钢的产品质量直接决定着宝钢产品的核心竞争力。环形炉工艺风机作为环形炉的配套设备，其状态直接决定着硅钢的产品质量和现场的能耗，一旦损坏，影响现场的产量。因而工艺风机的状态把控直接决定着环形炉生产的产品质量和产量。

1取向硅钢产品结构优化机组关键电机、风机智能诊断目标

为推动智能制造的行动方案，探索设备状态新型运行及管控模式，分析智能制造的众多要素，了解掌握设备、生产最新动态信息并作出快速响应，充分利用专业技术手段与信息化、网络化带来的集成优势，为高效生产增添驱动力。为此，在区域内开展重点设备状态监测诊断系统建设项目。在线监测诊断系统开发的总目标：

（1）展示风机的运行状态，当设备异常时，能及时预报，指导操作人员、设备管理人员采取应对措施，避免突发故障；

（2）通过监测生产过程中影响产品质量的关键工艺参数，研究形成设备状态与生产质量之间的对应关系，在生产过程中进行实时预警和提示，为环形炉工艺参数优化和操作调整提供定量依据；

（3）为检修计划的制定提供依据，指导设备维修，提高维修的有效性及降低维修成本；

（4）指导关键设备的零部件备件计划的编制，降低备件备品的消耗。

（5）通过在线系统的软件、硬件维护以及设备状态频谱分析等一揽子服务方案，降低设备管理人员的负荷。

2取向硅钢产品结构优化机组关键电机、风机智能诊断设计方案

过现场安装振动、温度传感器采集相关的数据，相关的数据通过设备采集模块将采集到的数据发送到服务器端数据库进行存储。设备状态检测分析系统从数据库获得设备状态数据，并提供数据检测和分析工具并把状态显示给用户。

2.1在线系统架构

1）数据采集层

包括两个部分，一个是在线数据主要由采集模块和振动传感器组成，采集设备状态信号，通过采集模块自身组的局域网将信号传输至硅钢数据中心，进行数据的存储。第二个就是智能点检业务数据，包含点检标准、周期、计划及点检数据信息存储、查询、分析统计等。

2）数据处理分析诊断层

硅钢设备数据中心站接收各采集装置及智能点检的数据信息，并进行时间归一化等预处理。然后对处理后的数据进行分析预警诊断，得到预警诊断结果。在分析结束后，将部分现场高度关注的预警结果通以WEB形式发布，配置的实时监控终端可以显示其推送页面内容。数据通过主干网发送给大数据平台，预留其他系统的通用数据接口。

3）业务管理层

该层由大数据平台、设备远程检测诊断中心、点检移动办公平台组成。大数据平台负责接收硅钢数据中心站上送的实时数据、生产信息和预警诊断结果等信息，并转送给设备诊断系统数据中心。设备远程检测诊断中心由一个数据服务器集群组成，能承载大量数据，完成高性能的数据运算，并由专业诊断技术团队完成设备最终状态诊断。中心通过主干网向授权用户发布设备的状态诊断结果报告、提供用户故障处理方法和设备裂化趋势报告。凡是获得授权的主干网用户均可登录数据中心，得到专业的诊断支持。借助远程监测诊断平台配套的移动工作平台，实现将硅钢数据中心站、公司级大数据中心监测诊断（含专家诊断）所产生的重要现场设备状态、信息提示及工作沟通等推送至授权移动设备（需装APP），移动设备也可反馈信息。

2.2在线系统功能

设备智能诊断系统，具有开放性好、使用方便、维护便利等特点。预留后期扩展功能，能与其它相关系统进行数据交互。服务器部署在硅钢四期数据中心服务器集群上，利用数据中心服务器资源创建新的虚拟服务器，通过在硅钢数据中心新增网络交换机，实现与振动、温度采集仪表数据采集，通过该交换机接入硅钢数据中心网络，实现与硅钢数据中心大数据之间交互。设计中涉及的内容布置在三个物理区域：硅钢四期现场，进行采集硬件的布置，实现数据的采集、数据处理、数据传输；硅钢数据中心，进行交换机的布置，实现数据的存储、数据的计算、数据分析、数据展示、与其它系统数据交智能诊断；远程运维中心，实现智能诊断、综合诊断、协同诊断、知识提炼、移动推送等。

图1备智能诊断功能、物理位置、数据传输图

关键设备管理系统通过采集网络使用TCP/IP进行仪表数据采集，通过采集管理模块对采集数据根据配置数据分析规则对数据进行智能分析，实现数据的状态。同时通过数据通讯接口将采集数据及状态结果推送至硅钢数据中心大数据平台，同时将数据及状态推送至设备远程诊断平台。关键设备管理系统提供部分设备点检数据信息收集，利用已有的无线渠道，由设备技术人员通过手持智能终端实现现场数据的收集，并同步保存至关键设备管理系统数据库中，该数据库包括：设备总览，数据通讯管理，数据处理，设备预警，设备诊断，诊断报告，报表与查询，系统自诊断，设备管理，系统维护，日志管理，智能诊断，设备点检管理系统。

2.3移动APP应用技术

手机app可以实现手机端的数据访问，包括数据查看，趋势分析，搜索查询，报警清单及其他管理功能。登录主画面以地图的形式显示，可以显示现场的位置；应用功能画面能够显示app所具备的功能包括：报警的查询功能、设备问题的沟通讨论功能、以及工业大数据和AI的功能等；监测设备清单换面可以展示被监测设备的测点情况以及设备的状态情况；趋势查询画面可以将数据的趋势进行查询；趋势图画面可以展示查询的数据趋势；报价推送显示画面可以展示设备预警后的报警推送

3智能诊断模型的开发和优化

通过采集的振动、温度信号以及相关的工艺信号，对于目前已经开发的智能诊断模型，通过数据的积累进行机器学习，优化模型；对于还没有开发的模型进行智能诊断模型的开发，并根据数据的积累进行机器学习模型训练，实现模型的可应用。

振动诊断模型需采用基于规则诊断和概率神经网络诊断的相互验证机制。基于规则的诊断模式主要是频谱分析，自动搜索频域中对应的特征频率，根据经验值判断故障类别。基于概率神经网络的诊断模式主要是首先要收集被监控设备已知的各类故障对应的数据，即训练样本。而后新数据到来计算出发生某故障类型的概率。最终，基于规则和基于概率网络的诊断结果去“交运算”，实现智能诊断的全过程。

故障诊断模型主要针对通用风机、泵、减速机，如下六种常见故障诊断模型：转子失衡、不对中、机械松动、滚动轴承（内圈、外圈、保持架、滚动体）异常、齿面不良（间隙、磨损、剥落等）、断齿等故障。

技术原理：基于领域知识机理的故障判断技术，利用从时域、频域及时频域中提取故障特征频率，结合冲击脉冲、峭度分析、小波分解及Hilbert包络谱分析提取低频的调制频率成分，包络特征、无量纲指标等特征参数，考虑到不同工况（转速、负载等），开发通用风机、泵、减速机典型故障识别、分类和规则匹配诊断算法，实现自动故障诊断。

关键在于特征频率自动提取技术及实现，典型故障特征提取与选择。利用型基础工具算法工具集中的各种特征提取方法，针对常规机械零部件，整合其典型特征提取和特征选择工具，形成适用于诊断服务的方法集合。而通过特征的选择，在满足一定分类精度要求的前提下，用较少原始特征完成原始特征矩阵的数据分析处理，节约监测和识别计算成本。

图2诊断模型功能流程框图

结束语

智能制造代表着未来先进制造业的发展方向，制造业智能运维的发展是智能制造发展的基础，智能制造的发展又是制造行业智能运维发展的驱动器，二者相辅相成。目前在互联网+工业4.0技术的推动下，企业为了将来的发展，正在积极寻求新的设备管理模式、方式和手段，构建新型智能化设备管理体系，支持企业资产智能化管理。

参考文献：

[1]胡让.风力发电机叶片故障诊断研究及实现[D].兰州交通大学，2015.