涡轮轴承智能故障诊断:基于控制图(Control Charts)的预测性维护(Predictive Maintenance)与设备健康监控(Machine Health Monitoring)

《Eng》:Smart Fault Diagnosis in Turbine Bearings: Using Control Charts for Predictive Maintenance and Machine Health Monitoring

【字体: 大 中 小 】 时间:2026年07月16日 来源:Eng 3.5

编辑推荐:

  涡轮轴承故障的主动检测是确保工业系统可靠性的关键。研究人员介绍了在预测性维护背景下,使用移动平均(Moving Average, MA)和指数加权移动平均(Exponentially Weighted Moving Average, EWMA)控制图(Cont

  
涡轮轴承故障的主动检测是确保工业系统可靠性的关键。研究人员介绍了在预测性维护背景下,使用移动平均(Moving Average, MA)和指数加权移动平均(Exponentially Weighted Moving Average, EWMA)控制图(Control Charts)诊断轴承故障的应用。与其他统计控制图不同,MA和EWMA控制图具有动态识别随时间变化的趋势的优势,通过平滑波动并加快检测系统性能中渐进趋势的速度。MA图适用于发现均值行为趋势,因为它们提供了中期行为变化的稳健视角。EWMA图在发现微小、缓慢变化方面表现出更高的准确性,这在涡轮轴承等高灵敏度环境的早期故障检测中特别有用。研究人员展示了所提方法在实际涡轮运行条件下的实施,以证明使用MA和EWMA控制图在维护前后监控振动及转速异常方面的潜力。结果证明了其在识别故障、辅助维护决策以及提高涡轮机(Turbomachinery)寿命和系统可操作性方面的有效性。
该研究围绕工业透平(Turbine)轴承的可靠性展开。目前,传统维护依赖计划性维护和休哈特(Shewhart)控制图,后者虽擅长检测突发大故障,但难以识别渐进式微小退化,且现代机器学习等方法常伴随高计算复杂度与大数据需求,限制了工业实时应用。为此,研究人员开展了一项基于移动平均(Moving Average, MA)与指数加权移动平均(Exponentially Weighted Moving Average, EWMA)控制图(Control Charts)的轻量级统计框架研究,旨在为涡轮轴承故障诊断提供兼具解释性与实用性的预测性维护(Predictive Maintenance)决策支持。研究基于真实工业涡轮发电机(Turboalternator)运行数据,对比维护前后状态,得出结论:MA与EWMA在趋势可视化与早期异常检测上具有互补性,能有效识别故障并量化维护效果,相关成果发表于《Eng》。
研究人员采用的关键技术方法包括:基于真实工业条件的涡轮发电机(额定约3000 RPM)数据集,每15分钟采样获取维护前(退化)与维护后(恢复)的转速与振动时序数据;应用移动平均(MA)控制图(窗口大小n依数据量调整,如振动维护前n=145,维护后n=10)平滑短期波动以显中期趋势;应用指数加权移动平均(EWMA)控制图(权重因子λ控制灵敏度)检测微小渐变;采用±3σ(z=3)置信区间设控制限;结合过程能力分析(Process Capability Analysis),选用三参数对数正态(3-parameter lognormal)模型计算Pp、Ppk等指标评估维护影响。
研究结果如下:
4.3. Moving Average (MA) Charts Analysis
4.3.1. Speed Analysis Pre-Maintenance
维护前转速MA图显示数值在控制限内波动,早期变异较大,控制限较宽,随后移动平均收敛于过程均值并伴有上升趋势,表明存在中期行为变化。
4.3.2. Vibration Analysis Pre-Maintenance
维护前振动MA图显示递增趋势,移动平均从约31.8持续上升,样本11附近逼近上限(UCL)32.722,虽在限内但提示信号变异增加。
4.3.3. Speed Analysis Post-Maintenance
维护后转速MA图波动减小,离散度降低,控制限更窄且均匀,移动平均先微高于均值后降并稳定于均值附近。
4.3.4. Vibration Analysis Post-Maintenance
维护后振动MA图值在限内,微降后渐增,自第4样本起无违规,移动平均近过程均值31.6074,离散度较维护前略增。
4.4. Exponentially Weighted Moving Average (EWMA) Charts Analysis
4.4.1. Speed Analysis Pre-Maintenance
维护前转速EWMA图显示显著不稳定,初期低于下限(LCL),第7样本后陡升振荡于均值,多次穿越均值,幅值大,表明速度行为变异性高。
4.4.2. Vibration Analysis Pre-Maintenance
维护前振动EWMA图呈持续上升趋势,约第7样本振幅剧增近33.0(近UCL),后续仍高于初值,控制限随时间的推移扩展,暗示持续机械退化(磨损、不对中或润滑不足)。
4.4.3. Speed Analysis Post-Maintenance
维护后转速EWMA图振荡平滑规整,在紧致控制限内,无严重偏离或违规,变异性减小。
4.4.4. Vibration Analysis Post-Maintenance
维护后振动EWMA图值在限内,样本3至7渐增后近均值,偶见峰值但在限内,显示动态恢复。
讨论部分总结:MA分析突显系统行为跨维护阶段的演变与渐变识别,维护改变变异模式而非单纯降波动;EWMA对微小渐变敏感,利于早期检测,二者互补。过程能力(Process Capability)分析显示转速维护后Pp=1.70、Ppk=1.59,稳定性提升;振动维护前Ppk=1.81(高能力低变异),维护后Ppk=1.17(变异增但于限内),反映向真实动态行为过渡而非性能退化。相较休哈特(Shewhart)图与累积和(CUSUM)图,该方法平衡渐变敏感度与易用性;相较机器学习,具计算高效、可解释、易实施优势。局限含假设工况稳、参数(n, λ)敏感及难捕非线性关系,未来可融人工智能(AI)。
结论部分翻译:本研究强调了移动平均(Moving Average, MA)和指数加权移动平均(Exponentially Weighted Moving Average, EWMA)控制图(Control Charts)在涡轮轴承故障诊断中的有效性。通过分析维护前后的振动和转速模式,MA和EWMA图均在以下方面发挥重要作用:检测系统异常早期迹象、监控维护后系统恢复、支持预测性维护(Predictive Maintenance)策略。此外,控制图结果得到振动与转速过程能力分析的支持。转速维护后能力指数表明工艺稳定性改善与变异性降低,证实维护有效。振动结果揭示不同行为:维护前能力较高,维护后变异性增加,反映维护后向更真实运行状态过渡且仍在限内。控制图与能力指数的互补解释增强了发现可靠性并提供系统行为更全面理解。MA与EWMA均展现互补价值:EWMA对渐变微小变化更敏,利早期异常检测;MA平滑短期波动清晰表征总体趋势。二者非优劣之分而是互补,MA助趋势可视化,EWMA增微变敏感度。该法除检机械异常外,提供系统稳定性与运行一致性洞见,监控转速振动偏差助早识退化并促维护决策。涡轮监控系统纳入此类控制图可推进主动故障检测,减意外停机并延关键设备寿命。未来研究可聚焦统计过程控制(Statistical Process Control, SPC)与基于人工智能(AI)故障检测的混合模型以实现更精密智能诊断。
要不要我帮你把文中涉及的MA、EWMA公式及控制限计算方法整理成一段连贯的专业术语说明?
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号