BOB半岛:冶炼设备十篇

　　近年来，钢铁冶炼机械设备故障诊断技术得到了长足的进步与发展。目前故障诊断技术水平相对较高的区域为美国，不仅能够发明出不同种型号的监测设备，还能够提出很多有效的监测手段，目前已经在发达国家得到了较为广泛的运用。我国的钢铁冶炼机械设备故障诊断起步较晚，最初的设备故障诊断技术发展于20世纪80年代初。随着技术的不断进步，设备诊断系统已经成为关键设备运行的必要软件之一，特别是目前智能专家故障诊断技术已经运用得相当成熟。最为成熟的钢铁冶炼机械设备故障诊断技术应用在大型的旋转型机械中，目前已经在此领域内发展出20多种故障诊断系统以及数据监测体系。设备故障诊断技术是多个学科的综合体，需要很多学科共同交叉形成新的学科，为我国钢铁冶炼工业的蓬勃发展做出了很大的贡献。

　　第一，以系统数学模型为基础的钢铁冶炼机械设备故障诊断方法。此方法主要以建立数学模型为基础，将当前的钢铁冶炼作为基本理念，运用多种先进的Luenberger观测器、等价空间方程、Kalman滤波器、参数模型估计手段进行钢铁冶炼机械设备的故障诊断与分析工作。其工作时需要与整个控制系统相结合，最终可以形成设备运行监控、系统修复及重构的故障诊断流程。但是此方法对于数学模型的精确度要求极高，由于数学模型建立时边界条件的局限性，会忽略一些较为重要的要素。第二，以输出信号处理为基础的钢铁冶炼机械设备故障诊断方法。利用小波分析等信号处理手段将钢铁冶炼机械设备运行期间特定的信息进行处理，对信号的特点进行科学分析，提取异常信号，及时采取措施进行诊断与故障处理。例如速度传感器收集的是速度信号，温度传感器收集的是温度信号，将此信号进行实时监测，一旦发现温度信号异常，则表示该设备已经出现故障。现阶段运用比较广泛的信号处理方法还包括谱分析方法、时间序列特征提取方法、自适应信号处理方法等。这些信号处理方法不会依靠某一数学模型，适应能力较好。通常情况下钢铁冶炼机械设备故障诊断会运用到小波变换、时间序列特征提取等手段进行处理。第三，以人工智能为基础的钢铁冶炼机械设备故障诊断方法。随着数学建模与信号处理方法的不断发展，人工智能诊断成为设备故障诊断中的主流，获得了显著效果。人工智能诊断的优势在于不需要针对复杂的设备运行体系建立复杂的数学模型，设定复杂的体系。其理论主要运用了人工神经网络预测、模糊数学理论，是解决较为复杂的大型机械设备的首选检测方法。此类智能诊断方法包括了专家智能诊断系统、模糊逻辑智能诊断系统、神经网络预测诊断系统、故障管理诊断系统等。第四，其他钢铁冶炼机械设备故障诊断方法。目前，除了主流的钢铁冶炼机械设备故障诊断以外，还发展了众多有特色的故障诊断方式，比如设备运行模式诊断识别方法、灰色关联系统诊断识别方法等。与此同时，随着各个方法的不断发展，也发明了多种方法相互耦合的混合型诊断方法。

　　应用于钢铁冶炼过程中的机械设备有很多种，大多都是不同的传动设备以及液压设备，例如输送装置、检测装置、液压设备、传动设备等。机械设备的性能好坏直接影响着钢铁冶炼过程的效率和质量。因此，在冶炼过程中要定期对这些设备进行检测、及时地维修保养，确保它们的工作性能，这是钢铁冶炼过程能否顺利进行的前提。钢铁冶炼的环境特殊，工作环境比较恶劣，涉及到的机械设备众多，设备故障诊断系统的建立是必要的，其工作原理主要是根据机械设备的振动特点来进行，同时收集温度、压力、转速等各种参数的详细数据，通过这些详细的数据能够清楚分析出机械设备的工作运行状况以及可能会发生的故障破坏，能够及时地做出相应的处理对策。具体来讲，此设备故障诊断系统的中心是计算机系统，分为独立的采集模块、检测模块以及数据处理模块，主要过程有：（1）通过传感器将机械设备的工作情况信号反馈到计算机系统，包括机械振动情况、工作温度情况以及设备压力情况等；（2）提取特征信号。不同的传感器采集到的是不同的信号数据，对应地将信息传递到主机系统，例如速度传感器收集的是速度信号，温度传感器收集的是温度信号；（3）信号处理过程。传感器所收集到的信号要进行相应的提取处理；（4）将提取到的信号进行故障处理，通过数据分析对设备当前的工作情况和工作状态进行分析，及时做出相应的处理和决策。

　　对于钢铁冶炼过程中常见的设备故障，大多都是通过设备的振动异常判断处理的，一旦设备出现了异常振动，往往是设备发生机械故障的提示。这是必须要引起大家重视的现象，尽快组织相关人员对其进行检测检查，发现问题并且及时将隐患消除，防患于未然，才能保证机械设备的正常运转，否则一旦发生故障，不仅会影响到生产工艺，而且还会给钢铁冶炼过程带来不可估量的损失，更严重的还有可能带来人身伤害。依据机械设备发生故障的不同零部件，本节主要分析了常见故障的处理方法：第一，转子不平衡的故障处理分析。转子在转动过程中，其上面的每个质点都会产生离心力，在不平衡的情况下，离心力是无法相互抵消的，从而导致离心力的不平衡，通常情况下，转子不平衡是通过频谱图来显示的。对于新设备来讲，要综合考虑不同的因素：假如出现异常振动的是刚性转子，那么要明确其转速最大值是多少，进行转速的对比，之后得出具体的结论。区分出相位，才能真正了解设备发生异常振动的原因，并对不同的原因做出不同的分析和解决。相位和频率保持一致，可以判定是基础共振，如果各个质点的离心振幅是有差速的，那么其原因就是由于转子的不平衡导致的。第二，齿轮的故障处理分析。一般情况下采用频域诊断和时域诊断两种方法来对齿轮所出现的各种故障进行诊断。齿轮的工作状态决定了其齿面之间的转动力随着齿轮的转动在不断变化，很明显其刚度也是在不断变化的。不管齿轮是否处于正常的工作情况，其振动总是不能避免的，表现在谱图上就是会出现边频带。频谱图和波形图都能够反映出设备的振动，所以在时域中也能对其进行分析，不过需要振动加速度等数据信息，最重要的是减少其他噪音的干扰。第三，滚动轴承的故障处理分析。在正常工作过程中，轴承所产生的振动对其本身都会有所伤害，不同的部位发生损坏，发出的振动声音是不同的，对此可以通过不同的振动声音判断出现损伤的部位，载荷不同，部位不同，测量出来的数据肯定不同，并且能为之后的测量提供良好的信息前提基础。当前主要采用的测量轴承是否出现故障主要有两种途径：（1）脉冲信号接收法，此种方法主要是依据轴承出现腐蚀或者压痕的情况下所产生的脉冲信号进行分析。轴承表面的腐蚀或者裂痕等缺陷会使得脉冲信号产生不同的发射频率，在短时间内可以通过计算获得。不过由于其脉冲频率较低，很多时候依靠听觉就可以进行初步判断；（2）谐振信号接收法。此种方法主要是依据零件本身的固有频率。任何零件都有其固有的振动频率，运转过程中的轴承也不例外，同样这些频率都可以经由仪器进行检测。轴承的缺陷会导致运转中的振动冲击，并且引起其他零件的振动。反映到传感器上，被滤波器所接收，强振动信号可以更好地反映出轴承所出现的故障，给大家一个很好的警示。

　　在工业生产中，很多的生产程序都是流水化作业，在整个的生产过程中形成了一个完整的系统，那么在这一过程中，如果某个关键部位发生了故障，将会影响到整个生产链条的运行，对企业的经济效益造成极大的影响，所以对设备进行的故障诊断具有十分重要的意义。 在生产过程中，机床的运行效率和运行质量对整个企业的发展至关重要，如果因为设备存在故障，而使生产的产品质量差，生产效率低下，那么对于企业将是一笔损失，所以对设备进行的技术诊断是十分重要的。 对于设备进行的诊断不仅可以提供生产效率，防止在生产过程中出现的突发状况，并且可以有效的降低能源的消耗，为企业节省大量的成本，并且通过对设备的故障诊断还可以预防事故的发生，不仅降低了事故发生带来的损失，同时也减少了维修成本，对企业的发展都具有重要的意义。

　　故障诊断技术的应用为各国的企业发展都带来了很大的经济效益，并且已经在各个国家当中引起了高度的重视，投入到此项技术中的研发工作也成为了行业中的热点话题。 在诊断技术上的应用来看，美国的技术水平是比较高的，研发出的产品不仅具有监测的功能，并且在诊断方面具有很强的能力，在国家的各种重要产业中都得到了广泛应用，并且取得了良好的效果。 诊断技术在我国的发展始于七十年代末期，但是真正的被各个产业所接受却是在八十年代初。 这项技术在我国的起步虽然较晚，但是我国对其所投入的研发力量却是很大，国家政府部门曾经多次的组织过外国的技术专家到我国来进行演讲，通过国内专家技术人员的努力，对诊断技术的研发水平已经逐渐的趋于国际水平。 我国的专家和技术人员根据我国的国情特色，对一些特定的设备上进行了研发工作，在此基础上形成了具有本国特色的诊断产品，对我国的设备故障诊断做出了很大的贡献。 在现阶段的市场发展中，我国的各个行业在生产中的关键设备上都已经安装了设备诊断系统，尤其是智能化的专家诊断系统应用的比较广泛，并且在各个重要的生产领域的应用已经非常的普遍。 我国对于故障诊断技术的研发在大型的旋转型机械中取得了良好的成果，并且已经研发出了二十多种关于机组方面的故障诊断系统和十多种可以进行现场数据采集工作的便携式的采集器。对于故障技术来讲，并且不是单一的理论科学，而是一门复杂的具有多学科理论的交叉学科，研发出来的产品在市场中得到了广泛的实用，在各个生产领域中发挥了重要的作用，提高了企业的经济效益。

　　该方法以系统的数学模型为基础， 以现代控制理论和现代优化方法为指导，利用 Luenberger观测器、等价空间方程、 Kalman 滤波器、参数模型估计与辨识等方法产生残差， 然后基于某种准则或阀值对残差进行分析与评价，实现故障诊断。

　　通过某种信息处理和特征提取方法来进行故障诊断，应用较多的有各种谱分析方法、时间序列特征提取方法、自适应信号处理方法等。 这种方法不需要对象的准备模型 . 因此适应性强。这类诊断方法有基于小波变换的诊断方法、 基于输出信号处理的诊断方法、基于时间序列特征提取的诊断方法。

　　基于建模处理和信号处理的诊断技术正发展为基于知识处理的智能诊断技术。 人工智能最为控制领域最前沿的学科，在故障诊断中已得到成功的应用。 对于那些没有精确数学模型或者很难建立数学模型的复杂大系统，人工智能的方法有其与生俱来的优势。 基于专家系统的智能诊断技术、基于神经网络的智能诊断技术与基于模糊逻辑的诊断方法己成为解决复杂大系统故障诊断的首选方法，有很高的研究价值和应用前景。

　　钢铁行业中的主要机械设备是各种传动设备和液压设备，如轧机、传送带、各种风机等。 它们的工作状况决定了生产效率和钢铁冶炼的质量，对这些设备状态的在线检测，能够及时、准确的检测出生产设备的运行状况，并给出相应的操作和建议。 因此建立相应的故障诊断系统对整个系统的正常运行特别重要。 于是针对钢铁行业特殊的机械环境 （ 多传动设备和液压设备 ） ，相应的故障诊断系统也必须以这些设备的特点而建立。 主要原理是以运动机械的振动参量检测为中心，辅助以温度、压力、位移、转速和电流等各种参数的采集，从而对这些大型传动设各的状态进行分析和判断，再进行相应的处理。 整套故障诊断系统由计算机系统、数据采集单元、检测元件、数据通讯单元以及专业开发软件组成。 此系统既可单独工作 . 又可和DCS 或 PLC 组成分散式故障诊断系统对所遇生产设备进行监控和故障诊断。 根据以往经验建立相应的处理机制库，从而针对不同的故障做出相应的诊断和处理。 整个处理过程如下：

　　3.1 传感器采集设备工作状态信号。 如各种传动装置的振动信号、温度信号、液压装置的压力、流量和功率信号等。

　　3.2 特征信号提取。将各种传感器采集信号进行信号分类，刷选出相应的传感器信号，如振动传感器采集的文振动强度信号、压力传感器采集的压力信号等。

　　3.4 对采集信号进行故障诊断。 将提取的特征信号进行判断处理进择相应的故障方法 （ 如小波变换法），分析故障类型和设备状态，然后查询故障类型。