工厂机械主动健康监测：预防停机、提升可靠性

健康监测或状态监测多年来用于停机成本高的机器和工厂。它允许预判故障，在生产损失最小时安排维护或修理，也避免不必要的定期维护。

可以简单如人员定期巡厂，携带热成像仪、振动分析仪等便携仪器；也可永久安装，远程长期收集数据、离线分析、识别趋势。

随着机器设备上智能装置日益普及，可联网且低成本远程采集数据，工厂健康监测可能性快速增加。网上有大量信息提供监测思路和产品。

本文将指出一系列利用变频驱动器在机器中特殊位置的技术，以获取更多有用数据。

车间机器安全

通常所用技术需使用低成本传感器、合理无创，避免高安装成本和安装过程损坏风险。简单传感器如热电偶和加速度计可安装在可及部位，提供丰富数据。

例如，加速度计常易安装在轴承座或机壳上测量旋转机器径向振动，能检测导致不平衡力的缺陷，如旋转部件断裂、轴开裂、联轴器错位。

简单振幅测量可给潜在破坏性缺陷一般预警，深度频谱分析若涉及不同转速（如齿轮箱、皮带传动）可聚焦特定部件。

利用变频驱动器进行机器/工厂健康监测

变频驱动器在机器中处于独特位置，因通常提供动力。它是智能装置，通过电机紧密耦合机器工作部件。它包含用于可靠工作的信息，但可极低成本访问分析。换言之，它可作为额外传感器集，几乎零成本。

首先，驱动器有自己的内部传感器测量各种内部温度和电机电流，由厂商提供以防异常条件损坏驱动器或电机。也可能连接电机温度传感器。这些数据作为驱动器参数可用，可定期访问以在接近极限时报警、分析趋势。

在伺服驱动器等闭环控制系统中，驱动器包含控制变量数据。例如监控位置控制环中的跟随误差并在超阈值时标记——这可能指示某种故障，如刚度增加（即将卡死、阻塞或损坏）或间隙（磨损导致）。

从简单报警阈值迈进到监测平滑数据趋势、预警可能导致未来故障的发展情况，仅一小步。

跟随误差监测至少需要轴编码器，这在精密运动控制应用中常见。但所有应用中，驱动器还能访问难以外部仪器获取的特殊测量——电机转矩。

测量电机转矩

常规用传感器测量电机转矩，最常在电机壳固定处安装应变片或测力传感器。这要求特殊电机安装才能给出合理转矩测量，且重电机机架惯性矩降低高频灵敏度。

更难的是测量实际动态轴转矩，需将旋转应变片固定在轴上，遥测传数据到固定侧。这是昂贵操作，甚至特殊测试也罕做，不太可能永久安装。

然而驱动器内部有电机产生转矩电流数据，这是轴转矩的良好替代指标，零成本可用！数据甚至在电机不可及时（深藏机器内、水下、危险区）也可用。转矩测量精度在全闭环系统最好，但即使简单开环驱动器，转矩数据除最低速外对许多目的也足够好。

一旦认识到驱动器中近乎零成本可获转矩数据及对应转速数据，我们即可进入机器和工厂监测新领域。以下是我们在Control Techniques遇到的一系列可能性。

读者可能针对特定机器类型有新想法——利用驱动器释放的转矩数据发明新监测方法需要对机器深度了解。

以下列表显示驱动器拥有或可适度成本获得的信息，均可监测关联生成有用机器信息：

平均或峰值转矩的简单限值

实时转矩数据可平滑得驱动器激活时的运行平均值，或在选定时间尺度捕获峰值（毫秒到天视工艺而定）。若值超出预期范围（超预期值或少见的低于预期值）可生成报警。

转矩趋势

相同转矩数据可记录分析随时间或对其他变量的趋势，设置报警指示不健康趋势。

平均转矩与转速的简单相关

许多工艺中转矩强依赖转速，呈明确模式。例如，风机或泵通过固定管道、管路或回路驱动流体，将有明确转矩/转速曲线。任何显著偏离正常曲线表示可能有问题的变化。例子：

低转矩：

• 传动带断裂或其他联轴器失效
• 泵流体损失
• 流动阻塞，如滤网堵塞（叶轮泵/风机适用，输送机等亦可）
• 风机/泵转子沉积物堆积
• 因进气、漩涡或其他故障导致泵汽蚀（也引起脉动——见下）

高转矩：

• 转子或其他部件卡死（部分或全部）
• 流动阻塞（容积式泵）
• 大量泄漏（叶轮泵/风机）

可建立转矩/转速轮廓，超出则生成报警状态，如图1所示：

转矩数据需充分低通滤波或平均，防动态效应（加速转矩）或正常脉动产生虚假报警。

其他变量可能有影响，如流体可变交付压力，容差带须设得足宽防由此引起虚假报警。

多变量相关

更复杂工艺中转矩依赖多变量，可能或不可能被驱动器获取。例如，考虑风机通过风管系统送风，部分有阀门控制局部风量。转矩/转速曲线则依赖阀门位置。

若有阀门状态或阀门压降数据，多变量相关可为此建模。图2给出两支风管带阀门的简单示例。

另一可能性是用测量的转矩和转速值从特性曲线推导泵/风机流量和压力，再与传感器实测值比较。任何差异可能意味着泵/风机故障或传感器故障。

转矩动态分析

驱动器转矩数据带宽宽，原则上可用于动态分析。转矩带宽常达1kHz或更高，虽可能无法以如此高速率访问分析数据——数据通信通道通常限制数据访问约250ms采样间隔。

转矩数据关联电机电气转矩，传递到输出轴但受电机转子惯性和电机控制算法有效刚度影响。这些形成低通滤波器，特性可能未知。

全闭环系统可推导传递函数获准确轴转矩数据，如检测高频转矩反转。但测量无需精确校准即可成功比较或趋势分析。

实践中，从电气转矩数据有用监测到100-500Hz区域脉动。

可实时捕获数据块离线动态分析。分析可在时域（如计算波动幅度——总转矩脉动或波动、均方根幅度含/不含时域平均、峰值或峰负值）或频域（通过傅里叶变换相对于时间或位置等其他变量）。这可检测转矩脉动模式发展变化：

• 过大扭转整体振动幅度，宽带或窄带，如机器部件断裂、泵汽蚀
• 过大峰值转矩可能导致机械损伤或过早磨损
• 频繁转矩反转导致齿轮啮合冲击，致过早磨损或断裂
• 扭转共振，如联轴器松动，导致频谱峰值，频率与转速无关虽可能在特定转速范围增强
• 扭转脉动，每转一个或多个周期，如轴开裂、叶轮或齿轮齿损伤或其他机械损伤，可从频谱峰值频率、转速、齿轮箱或其他传动比知识追踪复杂机器中的源头。

转速相关的转矩动态分析

上述例子中一些明显受益于结合轴转速考虑转矩动态分析，因与轴旋转相关脉动将在旋转频率（每转一次效应）或其倍数（如轴开裂每转两次、叶轮可能每转N次、齿轮齿每转N或N₁/N₂次）。

生成振动频谱分析与转速复合图有助于清晰区分每转N次效应与频率固定但可能仅在特定转速范围受激的共振效应。这些称为级联图或瀑布图，振动分析设备供应商广泛提供。

警示——采样率与混叠

快速转矩脉动系统需谨慎。转矩数据采样率可能受驱动器内部获取速率下存储或导出能力限制。采样频率将在(f_s – f_d)等频率产生混叠误差，f_d为数据频率含量，f_s为采样频率。f_s需保持在约3倍f_d以上，避免在关注区域生成混淆新频率产物。

瀑布图额外好处是混叠产物清晰可见，其频率随转速增加而下降，而真实效应频率随转速增加或保持不变。

人工智能分析

以上均集中于用物理理解定义预期行为、用可用数据比较实际运行与预期的应用。即使幅度缩放不确定，频率唯一、趋势可识别。

此法优势是工艺相关人员能理解数据，从生成的信息和报警条件发展诊断。

替代方案是用机器学习算法跟踪所有可用数据，推断正常和异常行为模式。这是当前研究课题，如https://phys.org/news/2016-02-scientist-ai-algorithm-machinery-health.html 。

结语

以上想法基于带旋转部件、联轴器、齿轮、泵或风机的机器宏观图景。希望指出驱动器提供的特殊访问权（特别是动态转矩数据），能让机器设计师将这些想法应用到自己特定独特应用中。