15、交流供电电磁阀状态监测与预测性维护技术研究

交流供电电磁阀状态监测与预测性维护技术研究

1. 交流供电电磁阀故障模式与实验基础

1.1 故障模式分析

交流供电电磁阀（AC - powered SOVs）存在多种潜在故障模式，主要包括阀主体、密封件、铁芯/柱塞、柱塞弹簧、线圈外壳、柱塞管和电气线圈等部位的故障。早期研究表明，超 50%的 SOV 故障源于四个方面：部件磨损或老化、异物污染、线圈短路和开路，其余故障与制造缺陷、安装不当等有关。加速寿命试验（ALT）显示，磨损的柱塞、柱塞管以及老化的阴影环线圈是 AC - powered SOVs 故障的主要根源。

1.2 实验设置

为研究 AC - powered SOVs 的性能，搭建了电磁阀耐久性测试平台，对 48 个直接作用 3/2 常闭型（Burkert Type 6014）阀门同时进行 ALT。测试在 25°C 环境温度下进行，阀门以 1Hz 的频率开关，持续六周。每个阀门由 110V、50Hz 的交流电压供电，并通入 8bar 的压缩空气。

在测试过程中，对每个阀门的电流、电压信号进行测量，同时测量阀门出口的温度和流量，作为标记阀门寿命终点的“真实数据”。具体测量设备如下：
- 电流信号：通过电流传感器 LEM CTSR 0.3 - P 测量。
- 空气温度和压力：分别使用热电偶 Pt100 和压力传感器 GEMS 3100 测量。
- 阀门表面和环境温度：使用热电偶 Pt100 测量。
- 泄漏情况：使用热质量流量传感器（IST AG FS7）测量阀门出口和排气孔的泄漏。

所有传感数据每分钟同步采集 0.5s。

1.3 实验流程 mermaid 图

graph LR
    A[搭建测试平台] --> B[设置测试参数]
    B --> C[启动测试]
    C --> D[测量电流、电压等信号]
    D --> E[同步采集传感数据]

2. 交流供电电磁阀的现象学建模

2.1 等效电感和阻抗分析

SOVs 的简化电磁机械模型通常表示为具有时变电感 L 和恒定等效线圈电阻 R 的电路。时变电感 L 源于柱塞运动，它会随时间改变柱塞与线圈间的磁特性。

对于交流电路，正弦电压 Vs(t) 和电流 i(t) 可表示为复值函数：
- (Vs(t) = |V| e^{j(\omega_st + \varphi_V)})
- (i(t) = |I| e^{j(\omega_st + \varphi_I)})

根据定义，交流电路的阻抗 Z 为电压与电流之比：
- (Z = \frac{Vs(t)}{i(t)} = \frac{|V|}{|I|} e^{j(\varphi_V - \varphi_I)})

阻抗 Z 也可表示为：
- (Z = R + j\omega_sL(x(t)))
其中 (L(x(t)) = L_0 + f(x(t)))，|V| 为输入电压幅值，|I| 为电流幅值，L0 为静态电感（柱塞静止时），R 为线圈电阻，j 为虚数单位，(\omega_s) 为交流电源角频率，L(x(t)) 为随柱塞位置 x 变化的线圈电感。

理论和实验表明，SOV 通电时电感 L(x(t)) 增加，静止位置的电感低于行程终点位置的电感。由于机械磨损，柱塞上的摩擦力随时间增加，当摩擦力过大无法被磁力克服时，柱塞不再移动，此时等效电感 L 或阻抗 Z 可作为 AC - powered SOVs 的状态指标。

2.2 电磁阀电流信号特征分析

不同状态下 SOV 的电流信号具有典型特征：
- 健康状态 ：通电后，线圈电流增加建立磁场，产生的磁力克服弹簧力和摩擦力使柱塞移动。柱塞移动时，线圈产生反电动势（EMF）使电流减小；到达行程终点后，反电动势消失，电流再次增加。
- 故障状态 ：当阴影环损坏时，零交叉时产生的磁力不足以克服弹簧力，柱塞在行程终点位置来回移动，产生反电动势使电流下降。
- 失效状态 ：电流信号接近正弦波形，因为柱塞卡在静止位置，电感保持恒定。

这些电流信号特征与 AC - powered SOVs 的主要故障源（如柱塞/管磨损和阴影环老化）密切相关，可作为状态监测和健康评估的依据。

2.3 电流信号特征对比表格

状态	电流信号特征
健康状态	非正弦波形，通电后电流先增后减再增
故障状态	非正弦波形，阴影环损坏时电流有波动
失效状态	接近正弦波形

3. 基于物理启发的特征工程

3.1 特征提取方法

基于对 AC - powered SOVs 退化模式和电流信号现象的定性理解，提出了从测量的电流和电压信号中提取状态指标/特征的方法。这些物理启发的特征分为两组：
- 基于等效阻抗和电感的特征 ：通过快速傅里叶变换（FFT）计算阻抗谱 (Z(\omega)) 和电感谱 (L(\omega))，并提取相关特征。
- 基于电流信号独特特征的特征 ：从电流信号的拐点计算相关特征。

3.2 阻抗和电感谱特征列表

编号	特征	定义
1	ImFund	交流电源基频处的阻抗谱幅值，(\vert Z(\omega_s)\vert)
2	ImOdHarm	交流电源奇次谐波处的平均阻抗谱幅值，(\sum_{k = 1}^{3} \vert Z((2k + 1)\omega_s)\vert)
3	ImEvHarm	交流电源偶次谐波处的平均阻抗谱幅值，(\sum_{k = 1}^{3} \vert Z(2k\omega_s)\vert)
4	IdFund	交流电源基频处的电感谱幅值，(\vert L(\omega_s)\vert)
5	IdOdHarm	交流电源奇次谐波处的平均电感谱幅值，(\sum_{k = 1}^{3} \vert L((2k + 1)\omega_s)\vert)
6	IdEvHarm	交流电源偶次谐波处的平均电感谱幅值，(\sum_{k = 1}^{3} \vert L(2k\omega_s)\vert)

3.3 特征提取流程 mermaid 图

graph LR
    A[测量电流、电压信号] --> B[FFT计算阻抗谱和电感谱]
    B --> C[提取阻抗和电感谱特征]
    A --> D[分析电流信号拐点]
    D --> E[计算相关特征]

4. 结果与讨论

4.1 实验数据分析

对测试活动中采集的测量数据进行离线分析，48 个阀门中，46 个通过了阴影环退化起始点，仅 36 个在 ALT 结束时达到寿命终点。以三个代表性 AC - powered SOVs 为例，计算了九个特征。

4.2 特征趋势分析

• 单调趋势特征 ：在阴影环退化起始点（SRDO）和寿命终点（EOL）之间，RZC 1D1、ImFund 和 IdFund 三个特征呈现单调趋势，可用于健康监测和预测。其中，后两个特征比第一个特征噪声更大。
• 诊断特征 ：（Δ3 + Δ4）和（Δ5 + Δ6）可有效诊断阴影环退化，因为这两个特征的值仅在阴影环退化时增加。SHHCS 和 RA2 特征在 SOVs 从健康状态到阴影环退化状态再到使用寿命结束时变化迅速，可基于这些特征开发基于规则的诊断算法，确定 SOV 发生的退化类型。

4.3 特征趋势表格

特征	趋势特点	用途
RZC 1D1	单调趋势	健康监测和预测
ImFund	单调趋势，噪声较大	健康监测和预测
IdFund	单调趋势，噪声较大	健康监测和预测
（Δ3 + Δ4）	阴影环退化时增加	诊断阴影环退化
（Δ5 + Δ6）	阴影环退化时增加	诊断阴影环退化
SHHCS	状态变化时迅速变化	诊断退化类型
RA2	状态变化时迅速变化	诊断退化类型

5. 离心风机和多级离心泵的混合模型预测

5.1 研究背景

在石油和天然气行业，预测性维护已全面实施。尽管有多种技术和传感器可用，但振动分析仍是旋转机械诊断的首选预测技术。

5.2 混合模型开发

利用振动分析的发展和计算能力，本研究使用实际振动数据和合成数据开发了一个多级离心泵和两个离心风机的三个数字双胞胎。这种混合模型方法允许使用通常在机器正常运行中难以获取的故障数据。

5.3 模型优化与应用

通过从分布式控制系统（DCS）获取的实际运行数据，改进和调整这些模型的准确性，以获得符合工艺条件的结果。这些模型基于在线振动和工艺数据，可诊断机器健康状况并给出剩余使用寿命（RUL），还可通过更改配置参数和工艺 DCS 标签应用于其他 API 工厂资产（多级离心泵或离心风机）。

5.4 混合模型应用流程 mermaid 图

graph LR
    A[收集振动和合成数据] --> B[开发数字双胞胎模型]
    B --> C[获取 DCS 实际运行数据]
    C --> D[优化模型准确性]
    D --> E[诊断机器健康状况]
    E --> F[给出剩余使用寿命]

综上所述，通过对 AC - powered SOVs 的实验研究和现象学建模，提取了多种有用的状态特征，可用于阀门的健康监测和故障诊断。同时，离心风机和多级离心泵的混合模型为旋转机械的预测性维护提供了有效方法。

6. 交流供电电磁阀特征总结与应用

6.1 特征总结

在对交流供电电磁阀（AC - powered SOVs）的研究中，提取了多种基于物理启发的特征，这些特征可分为基于等效阻抗和电感的特征以及基于电流信号独特特征的特征。具体特征总结如下表：
| 特征类型 | 具体特征 | 用途 |
| ---- | ---- | ---- |
| 基于等效阻抗和电感 | ImFund、ImOdHarm、ImEvHarm、IdFund、IdOdHarm、IdEvHarm | 状态监测和健康评估 |
| 基于电流信号独特特征 | RA1、RZC 1D1、RA2、Δ1 - Δ6、RA2D2max、SHHCS | 捕捉故障特征，用于诊断和预测 |

6.2 特征应用流程

将这些特征应用于 AC - powered SOVs 的状态监测和故障诊断时，可遵循以下步骤：
1. 数据采集 ：使用电流传感器、热电偶、压力传感器等设备，采集阀门的电流、电压、温度和压力等数据。
2. 特征提取 ：按照前面介绍的方法，从采集的数据中提取相应的特征。
3. 特征分析 ：根据特征的趋势和变化，判断阀门的健康状态。例如，对于呈现单调趋势的特征（如 RZC 1D1、ImFund 和 IdFund），可用于长期的健康监测；对于在特定故障时变化明显的特征（如（Δ3 + Δ4）和（Δ5 + Δ6）），可用于故障诊断。
4. 决策制定 ：根据特征分析的结果，制定相应的维护决策，如及时更换故障部件或进行预防性维护。

6.3 特征应用 mermaid 流程图

graph LR
    A[数据采集] --> B[特征提取]
    B --> C[特征分析]
    C --> D[决策制定]

7. 离心风机和多级离心泵混合模型的优势与挑战

7.1 混合模型优势

• 利用故障数据 ：通过使用实际振动数据和合成数据开发数字双胞胎模型，能够利用通常在机器正常运行中难以获取的故障数据，提高模型的准确性和可靠性。
• 符合工艺条件 ：通过从分布式控制系统（DCS）获取的实际运行数据对模型进行优化，使模型结果更符合工艺条件，能够更准确地诊断机器的健康状况和预测剩余使用寿命。
• 通用性强 ：该模型可通过更改配置参数和工艺 DCS 标签应用于其他 API 工厂资产（多级离心泵或离心风机），具有较强的通用性。

7.2 面临挑战

• 数据质量要求高 ：模型的准确性依赖于高质量的振动数据和实际运行数据，数据采集过程中可能存在噪声、误差等问题，需要进行有效的数据预处理。
• 模型复杂度高 ：混合模型涉及到实际数据和合成数据的融合，以及多个参数的调整和优化，模型复杂度较高，需要较强的计算能力和专业知识。
• 维护成本高 ：为了保证模型的有效性和准确性，需要定期对模型进行更新和维护，这增加了维护成本和工作量。

7.3 优势与挑战对比表格

方面	优势	挑战
数据利用	可利用故障数据	数据质量要求高
模型准确性	符合工艺条件	模型复杂度高
通用性	可应用于其他资产	维护成本高

8. 总结与展望

8.1 研究成果总结

• 交流供电电磁阀 ：通过实验研究和现象学建模，揭示了 AC - powered SOVs 的电流信号特征与故障源之间的关系，提取了多种有用的状态特征，可用于阀门的健康监测和故障诊断。
• 离心风机和多级离心泵 ：开发了基于实际振动数据和合成数据的混合模型，该模型可有效诊断机器的健康状况和预测剩余使用寿命，具有较强的通用性。

8.2 未来研究方向

• 特征优化 ：进一步研究和优化提取的特征，提高特征的敏感性和特异性，以更准确地诊断故障和预测剩余使用寿命。
• 模型改进 ：针对混合模型面临的挑战，研究更有效的数据预处理方法和模型优化算法，降低模型复杂度和维护成本。
• 集成应用 ：将交流供电电磁阀和离心风机、多级离心泵的研究成果进行集成应用，开发更全面的设备状态监测和故障诊断系统，提高工业生产的可靠性和安全性。

8.3 未来研究方向列表

1. 特征优化：提高特征的敏感性和特异性。
2. 模型改进：降低模型复杂度和维护成本。
3. 集成应用：开发全面的设备状态监测和故障诊断系统。