监测工厂机械的健康状况

健康监测 或状态监测多年来一直用于停机成本高的机器和工厂。它可以预测故障并安排维护或维修，以最大限度地减少生产损失，并避免不必要的定期维护。

它可以像一个人定期使用便携式仪器（如热像仪和振动分析仪）巡视工厂一样简单，也可以永久安装，以便可以长时间远程收集数据，数据分析确定的路线和趋势。

随着越来越多的智能设备在机械和工厂上的使用，可以联网并以低成本远程收集数据，工厂健康监测的可能性正在迅速增加。网络上有大量信息可以提供想法并提供用于监控的产品。

在这篇博文中，我将指出一系列利用变速驱动器的特殊位置的技术 以访问更多有用的数据。

车间的机器安全

一般来说，所应用的技术需要使用低成本的传感器，并且需要合理的非侵入性，以避免高昂的安装成本和安装过程中损坏的风险。简单的传感器，例如热探头 和加速度计 可以附加到可访问的部分并提供丰富的数据。

例如，加速度计通常可以很容易地安装在轴承支架或机器外壳上，以测量旋转机器的径向振动，并且它可以检测导致不平衡力的缺陷，例如旋转部件损坏、轴破裂和联轴器未对准。

简单的幅度测量可以给出潜在破坏性缺陷的一般警告，而更深入的频率分析可能能够将注意力集中在特定部件上，尤其是在齿轮箱或皮带传动中涉及不同转速的情况下。

使用变速驱动器监控机器或工厂的健康状况

变速驱动器在机器中处于独特的位置，因为它通常提供动力。它是一种通过电动机与机器工作部件紧密耦合的智能设备。它包含用于可靠地完成其工作的信息，但可以以很少或免费的成本访问和分析这些信息。换句话说，它可以用作一组额外的传感器，几乎没有成本。

首先，驱动器有自己的内部传感器，用于检测各种内部温度和电机电流，这些传感器由制造商提供，以防止由于异常情况而损坏驱动器或电机。它也可能连接了一个电机温度传感器。该数据可作为驱动参数 并且可以定期访问以在接近极限时发出警告并分析趋势。

在诸如伺服驱动器之类的闭环控制系统中，驱动器包含有关控制变量的数据。例如，监控位置控制回路中的跟随误差并在误差超过阈值时发出标记是很常见的——这可能表明某种故障，例如刚度增加（即将发生卡住、阻塞或损坏 ）或反弹（磨损 )。

从简单的警报阈值转变为监控平滑数据的趋势并提醒用户注意可能导致未来故障的发展情况只是一小步。

对于跟随误差，必须至少安装一个轴传感器，这往往是 精密运动控制应用的情况 .然而，在所有应用中，驱动器还可以使用外部仪器难以获得的特殊测量值——电机扭矩。

测量电机扭矩

传统上使用传感器测量电机扭矩最常见的方法是在电机外壳的固定处安装应变仪或称重传感器。如果要对扭矩进行合理的测量，则需要特殊的电机安装，并且测量会受到重型电机框架的转动惯量的影响，从而降低了对较高频率的灵敏度。

更难的是测量实际的动态轴扭矩 ，因为这需要将旋转应变仪固定到轴上，并通过遥测将数据传递到固定侧。这是一项昂贵的操作，即使是特殊测试也很少这样做。它不太可能是永久安装。

然而，驱动器具有电机中产生扭矩的电流的内部数据，这是轴扭矩的良好代表，免费提供！当电机本身无法访问时，无论是在机器深处、水下还是在危险区域，这些数据甚至都是可用的。扭矩测量的精度在全闭环系统中是最好的，但即使在简单的开环驱动中，扭矩数据也足以满足许多用途，但在最低速度时除外。

一旦我们意识到驱动器中几乎可以免费获得扭矩数据以及相应的速度数据，我们就可以进入机器和工厂监控的新领域。以下是我们在 Control Techniques 遇到的一系列可能性。

读者可能对特定类型的机器有新的想法——需要对机器有详细的了解才能发明使用驱动器释放的扭矩数据的新方法。

以下列表显示了驱动器拥有或可能以适度成本拥有的信息，所有这些信息都可以被监控和关联以生成有关机器的有用信息：

平均或峰值扭矩的简单限制

当驱动器处于活动状态时，可以平滑实时扭矩数据以提供运行平均值，或者可以在选择适合应用的时间尺度上捕获峰值，这可能是从毫秒到数天的任何时间，具体取决于过程。如果值超出预期范围（即超出预期值，或者在不太常见的情况下低于预期值），则会生成警报。

扭矩趋势

可以记录相同的扭矩数据并分析一段时间内的趋势或任何其他变量，并设置警报以指示不健康的趋势。

平均扭矩与速度的简单相关性

在许多过程中，扭矩在一个明确的模式中强烈依赖于速度。例如，风扇或泵通过固定管道、管道或回路或它们的网络驱动流体，将具有明确定义的扭矩/速度曲线。与正常曲线的任何显着偏差都表明可能代表问题的变化。一些例子是：

低扭矩：

• 驱动皮带或其他联轴器损坏
• 泵中的流体损失
• 阻碍流动，例如堵塞的过滤器或筛网（对于叶轮类型的泵或风扇，也可用于输送机等）
• 在风扇或泵转子上堆积沉积物
• 由于空气进入、涡流或其他故障（也导致脉动 - 见下文）导致泵中的气蚀

高扭矩：

• 扣押转子或其他部件（部分或全部）
• 阻碍流动（正排量泵）
• 严重泄漏（泵或风扇的叶轮类型）

可以建立扭矩/速度曲线，在该曲线之外生成警报状态，例如如图 1 所示：

扭矩数据需要经过足够的低通滤波或平均，以防止动态效应（加速扭矩）或正常脉动产生误报。

其他变量可能会产生影响，例如流体的可变输送压力，因此必须将公差带设置得足够宽，以防止由此引起的误报。

多变量相关性

在更复杂的过程中，扭矩将取决于几个变量，这些变量可能对驱动器可用，也可能不可用。例如，考虑一个风扇驱动空气通过管道系统，其中一些管道具有风门控制装置以改变局部气流。扭矩/速度曲线取决于阻尼器的位置。

如果有关阻尼器状态或阻​​尼器上的压降的数据可用，则多变量相关性可能允许这一点。图 2 给出了两个带有阻尼器的管道分支的简单示例。

另一种可能性是使用测量的扭矩和速度值从它们的特性曲线中推断出泵或风扇的流量和压力，然后可以将其与传感器的测量值进行比较。任何差异都可能意味着泵或风扇有缺陷或传感器有缺陷。

扭矩动态分析

驱动器中的扭矩数据具有较宽的带宽，原则上可用于动态分析。扭矩带宽大约为 1 kHz 或更高是很常见的，尽管可能无法以如此高的速率访问和分析数据——数据通信通道通常将数据访问限制在 250毫秒采样间隔。

扭矩数据与电机中的电扭矩相关，该电扭矩传输到输出轴，但受电机转子惯性和电机控制算法的有效刚度的影响。这些构成了一个特性可能未知的低通滤波器。

在全闭环系统中，可以推导出传递函数并获得准确的轴扭矩数据，例如，可以检测到高频扭矩反转。然而，为了比较或趋势分析成功，测量不需要精确校准。

在实践中，频率在 100 – 500 Hz 范围内的脉动已从电机电气扭矩数据中得到有效监测。

可以实时捕获数据块并进行离线动态分析。分析可以在时域中进行，例如通过计算波动幅度（整体扭矩脉动或波动、具有或不具有时间平均的 r.m.s. 幅度、峰值或峰值负值）或通过傅里叶变换在频域中相对于到时间或其他一些变量，如位置。这样就可以检测到正在发生的变化，特别是在扭矩脉动模式中：

• 扭转整体振动幅度过大，宽带或带限，例如由损坏的机器零件或泵中的气蚀引起
• 可能导致机械损坏或过早磨损的峰值扭矩过大
• 频繁的扭矩反转会导致齿轮颤振，从而导致过早磨损或破损
• 扭转共振，例如来自松散耦合，导致频谱中的峰值，其频率与速度无关，尽管它们可能会在某些速度下增强
• 扭转脉动，每转一个或多个周期，例如避免轴裂、叶轮或齿轮齿损坏或其他机械损坏，并有可能根据频谱峰值的频率、速度以及对齿轮箱或其他传动比的了解来追踪复杂机器中的根源。

扭矩与速度相关性的动态分析

在上面给出的一些示例中，将轴速度与扭矩的动态分析结合起来考虑显然是有益的，因为与轴旋转相关的脉动将处于旋转频率（每转一次效应）或它的倍数（例如，破裂的轴每转两次，叶轮每转 N 次，轮齿为 N 或 N1/N2 –每转）。

生成振动谱分析与速度的复合图会很有帮助，这将清楚地区分每转 N 次效应与频率固定但可能仅在某些速度范围内受到刺激的共振效应。这些被称为级联图或瀑布图，由振动分析设备供应商广泛提供。

注意 – 采样率和混叠

在具有快速扭矩脉动的系统中需要小心。扭矩数据的采样速率可能会受到驱动器以内部获取的速率存储或导出数据的能力的限制。采样频率会在 (fs – fd) 等频率产生混叠误差，其中 fd 是数据的频率内容，fs 是采样频率。 fs 需要保持在 fd 的 3 倍以上，以避免在感兴趣的区域内产生令人困惑的新频率产品。

级联图的另一个好处是混叠产物清晰可见，它们的频率随着速度的增加而下降，而真正的效果则频率增加或保持不变。

人工智能分析

在上述所有内容中，我专注于使用对过程的物理理解来定义预期行为的应用程序，并且使用可用数据来比较实际操作与预期。即使幅度缩放不确定，但频率是唯一的，并且可以识别趋势。

这种方法的优点是参与过程的人员可以了解数据并根据生成的信息和警报条件进行工作，从而为工厂制定诊断。

另一种方法是使用某种形式的机器学习算法来跟踪所有可用数据，并旨在推断正常和异常行为的模式。这是当前研究的一个主题，例如 https://phys.org/news/2016-02-scientist-ai-algorithm-machinery-health.html 。

总结

上面给出的想法是基于具有旋转部件、联轴器和齿轮、或泵或风扇的机器的广泛图景的一般想法。我希望通过指出驱动器对一些有价值的数据，特别是动态扭矩数据的特殊访问，机器设计人员将能够将这些想法应用到他们自己的特定和独特的应用程序中。