CC BY
46
III. ТЕХНОЛОГИЧЕСКИЕ ВОПРОСЫ БЕЗОПАСНОСТИ ГОРНЫХ РАБОТ TECHNOLOGICAL QUESTIONS OF MINING WORK
SAFETY
УДК 53.083(430.1)
К ВОПРОСУ СОЗДАНИЯ УНИВЕРСАЛЬНОЙ ПРОГНОСТИЧЕСКОЙ ДЕГРАДАЦИОННОЙ МОДЕЛИ ДЛЯ ЭНЕРГО-МЕХАНИЧЕСКОГО ОБОРУДОВАНИЯ
ГОРНЫХ МАШИН TO THE QUESTION OF A UNIVERSAL PROGNOSTIC DEGRADATION MODEL CREATIONFOR MINING MACHINE ENERGY-MECHANICAL EQUIPMENTY
П. Б. Герике - канд. техн. наук, доцент, старший научный сотрудник лаборатории ФГБНУ «ФИЦ УУХ СО РАН», 650065, г. Кемерово, Ленинградский проспект, 10
P. B. Gerike - candidate of technical sciences, assistant professor, senior researcher of laboratory of Federal Research Center of Coal and Coal Chemistry of SB RAS, Kemerovo, Russia, 10, Leningradsky prospect, Kemerovo, 650065, Russia
В данной статье обобщены результаты исследований по разработке универсальной математической деградационной модели, пригодной для прогнозирования процесса изменения параметров, характеризующих техническое состояние самых разных механических систем. В работе рассмотрены результаты анализа существующих методологических подходов к разработке единых диагностических критериев, основанных на принципах вибродиагностики предельно изношенного энерго-механического оборудования. Приведена подробная классификация дефектов энерго-механического оборудования горных машин, в том числе карьерных экскаваторов, буровых станков, горнотранспортного и углеобогатительного оборудования. Обосновано применение конкретных методов виброанализа, наиболее подходящих для проведения эффективного контроля и разработки единых диагностических критериев для оценки технического состояния объектов диагностирования, в составе комплексного диагностического подхода. Показано, что только с широким использованием современных методов вибрационной диагностики и неразрушающего контроля предоставляется возможность для своевременного выявления дефектов динамических агрегатов горного оборудования и разработки прогнозных моделей изменения их технического состояния. Результаты проведенных исследований доказывают возможность разработки универсальных прогностических моделей, подходящих для выполнения эффективного краткосрочного прогнозирования изменения технического состояния, в качестве базовых моделируемых параметров использующих единые диагностические критерии, созданные для оценки фактического состояния объектов диагностирования. Внедрение в практику виброанализа алгоритмов прогностического моделирования является одним из необходимых условий для осуществления перевода промышленных предприятий ТЭК Кузбасса на систему обслуживания техники по её фактическому техническому состоянию. Неотъемлемым базовым элементом концепции такой системы послужит разработанный комплекс диагностических правил выявления дефектов по результатам анализа генерируемой при работе оборудования вибрации, включающий более 120 диагностических признаков для семи основных групп дефектов.
This article summarizes the research results of a universal mathematical degradation model development suitable for predicting the process of parameter changing characterizing the technical state of different mechanical systems. In this work the analysis results of the existing methodological approaches to the development of common diagnostic criteria based on the principles of vibration diagnostics of extremely worn-out energy-mechanical equipment are considered. A detailed classification of defects in energy-mechanical equipment of mining machines, including quarry excavators, drilling rigs, mining transportation and coal-washing
72
equipment is given. The application of specific vibration analysis methods, most suitable for effective control and development of unified diagnostic criteria for assessing the technical condition of diagnostic objects, is substantiated as part of a comprehensive diagnostic approach. It is shown that only with the wide use of modern methods of vibration diagnostics and nondestructive testing the opportunity is offered for timely detection of defects in dynamic aggregates of mining equipment and for development of predictive models for their technical condition change. The results of the conducted studies prove the possibility of universal prognostic models development suitable for performing an effective short-term prediction of technical state changes as basic simulated parameters which use single diagnostic criteria created for assessing the actual state of the diagnostic objects. The introduction of predictive modeling algorithms into practice of vibroanalysis is one of the necessary conditions for the transfer of Kuzbass fuel and energy complex industrial enterprises to the maintenance system according to it's actual technical condition. An integral basic element of the concept of such a system will be the developed set of diagnostic rules for detecting defects based on the analysis of vibration generated at the equipment operation, including more than 120 diagnostic features for major seven groups of defects.
Ключевые слова: ВИБРОДИАГНОСТИКА, ПРОГНОЗНОЕ МОДЕЛИРОВАНИЕ, НОРМИРОВАНИЕ МЕХАНИЧЕСКИХ КОЛЕБАНИЙ, УПРАВЛЕНИЕ ТЕХНИЧЕСКИМ ОБСЛУЖИВАНИЕМ, ГОРНОЕ ОБОРУДОВАНИЕ
Key words: VIBRODIOGNOSTICS, PROGNOSTIC MODELLING, NORMALIZATION OF MECHANICAL VIBRATIONS, TECHNICAL SERVICE MANAGEMENT, MINING EQUIPMENT
В рамках проведения работ по техническому диагностированию, нераз-рушающему контролю и разработке элементов системы обслуживания по фактическому состоянию оборудования для открытых горных работ на предприятиях угольной промышленности Кузбасса учеными и специалистами ФИЦ УУХ СО РАН в настоящее время выполняется цикл исследований по выявлению критериев предельного состояния, пригодных для оценки и прогнозирования процесса изменения состояния предельно изношенного горного оборудования. Кроме того, предпринимаются попытки создания универсальной прогнозной адаптивной математической модели, описывающей процесс деградации энерго-механического оборудования горных машин различного типа и конструкции. Уход от существующей на сегодня системы планово-предупредительных ремонтов (ППР) является необходимым условием повышения безопасности горных работ, если принять во внимание, что в недопустимом техническом состоянии сегодня находится до 25 % от общего числа технических устройств, эксплуатируемых на предприятиях угольной и горнорудной промышленности Кузбасса и подлежащих обязательной процедуре экспертизы промышленной безопасности [1].
Основная идея настоящей работы заключается в использовании единых диагностических критериев (ЕДК) для прогнозирования процессов деградации технического состояния самых различных узлов и элементов энергомеханического оборудования горных машин, а именно: синхронных и асинхронных электрических двигателей, двигателей внутреннего сго-
рания, соединительных муфт, валов, зубчатых передач различного типа и конструкции, подшипников качения и скольжения, поршневых, роторных и винтовых компрессоров и т.д. Объектами данного исследования выступает оборудование одноковшовых карьерных экскаваторов, дизель-гидравлические и электрические буровые станки и установки, горнотранспортное, дробильно-сортировочное и углеобогатительное оборудование, автосамосвалы, бульдозеры, автопогрузчики, оборудование гидромеханизации, вспомогательная техника и т.д. В качестве основного метода неразрушающего контроля, который был использован для сбора и анализа диагностической информации в рамках настоящего исследования, применялся контроль по параметрам вибрации. Этот выбор обусловлен тем, что данный метод оценки состояния механических систем по параметрам механических колебаний с высокой степенью достоверности позволяет выявлять абсолютное большинство дефектов диагностируемого оборудования вне зависимости от их типа и степени развития [2, 3]. Кроме того, применение вибродиагностики является обязательным при выполнении процедуры экспертизы промышленной безопасности технических устройств и регламентировано руководящими документами Ростехнадзора РФ.
На сегодняшний день в мире не существует единой универсальной прогнозной математической модели, с одинаковым успехом описывающей процесс деградации технического состояния энерго-механического оборудования горных машин различного типа и конструкции на основании результатов анализа параметров генерируемой при их работе вибрации, при этом
еще и обладающей высокой достоверностью и достаточной адекватностью.
Этот факт объясняется недостаточной изученностью вопросов динамики горных машин, практически полным отсутствием представительных баз данных по параметрам вибрации у широкой номенклатуры технических устройств, эксплуатируемых в условиях угольной промышленности, сложностью интерпретации анализируемых диагностических характеристик, трудностями при реализации предлагаемых громоздких алгоритмов прогнозных моделей [4, 5].
Кроме того, несовершенными являются присутствующие сегодня на рынке программного обеспечения алгоритмы автоматизированного поиска дефектов по частотным наборам базовых диагностических признаков [5]. Грамотная реализация таких алгоритмов требует наличия баз данных по параметрам вибрации однотипного оборудования, причем при смене объекта диагностирования работу по созданию признаков и правил необходимо начинать заново. Впрочем, точность результатов данного метода сильно зависит от характера исследуемых полигармонических волн и точного соблюдения методологии сбора диагностических данных, а также качества исходного сигнала.
Создание прогностических моделей, пригодных для осуществления адекватного прогноза изменения фактического состояния узлов и механизмов горных машин, основанных на анализе параметров механических колебаний, не может быть осуществлено без наличия устойчивой теоретической базы [6, 7], учитывающей характер изменения спектрального состава исследуемых диагностических характеристик. Для каждой группы дефектов энерго-механического оборудования горных машин должен быть сформулирован свой единый диагностический критерий оценки технического состояния, основанный на результатах комплексного анализа данных с использованием нескольких различных методов виброанализа. Таким образом, невозможно осуществить эффективное моделирование процессов деградации технического состояния без комплексного использования результатов анализа параметров исходных виброакустических волн с применением нескольких диагностических методов, конкретное сочетание которых зависит от типа объекта диагностирования и режимов его работы.
Существующие математические модели [1, 3, 5, 8], разработанные для описания и прогнозирования динамики процессов деградации технического состояния механических систем,
обладают существенным общим недостатком -всем им присуща крайне узкая область применения результатов моделирования. В целом ряде случаев нельзя считать достаточной апробацию полученных результатов моделирования.
В условиях действующей на предприятиях ТЭК России системы планово-предупредительных ремонтов все сроки выведения технических устройств в ремонт или на проведение технического обслуживания четко регламентированы, поэтому гораздо более важным является наличие достоверной информации о том, что объект диагностирования способен проработать без возникновения аварийных отказов до момента очередного ремонта. Именно поэтому задача по разработке моделей для осуществления долгосрочного прогнозирования является сегодня неактуальной.
Наиболее эффективно решить поставленную задачу позволяют принципы адаптивного краткосрочного прогнозирования. Адаптация модели к изменяющимся внешним условиям осуществляется на основе коррекции параметров по результатам экспериментально полученных данных последних измерений.
Научные исследования последних лет [8, 9, 10] убедительно доказали адекватность существующих краткосрочных прогнозных математических моделей, однако, их существенным общим недостатком является узкая область применения полученных результатов. Довольно часто такие модели ориентированы на прогнозирование изменения абсолютной величины единого диагностического критерия, рассчитываемого по результатам анализа параметров виброакустических характеристик с использованием методологии различных диагностических подходов и способов фильтрации исходных данных. Областью использования результатов такого моделирования обычно становятся подшипники качения, являющиеся самым изученным объектом с точки зрения вибродиагностики [5, 8].
Математические модели, способные осуществить прогноз на один-два интервала диагностирования и определить гарантированный минимальный и средний ожидаемый остаточный ресурс технологического оборудования, получили в последнее время широкое распространение, их алгоритмы успешно реализованы в программном обеспечении многих отечественных фирм (например, Dream for Windows от ЗАО «ВАСТ», г. С.-Петербург или Аврора от ООО «Вибро-Центр», г. Пермь). В качестве основного диагностического критерия в таких моделях обычно используется общий уровень среднеква-
1
II. u ill
»"ШЬа.Ч*) j. ...UIAjU«'
/e «м/с ГГц
f,rn
I .
li
Ai-./wL
Недопустимый уровень расцентровки левого электродвигателя с редуктором подъемной лебедки экскаватора ЭШ 10/70. Ярко выраженное нарушение жесткости опорной системы.
Развитый множественный дефект подшипника сетевого двигателя экскаватора ЭШ 11/70.
Ярко выраженное нарушение жесткости опорной системы. Ослабление крепежа электродвигателя к редуктору механизма поворота экскаватора ЭШ 6/45.
Малая генераторная группа экскаватора ЭШ 11/70. Недопустимый дисбаланс ротора генератора собственных нужд, ярко выраженное нарушение жесткости системы, ослабление посадки подшипника и нарушение режима его смазки.
Перекос осей валов первой и второй ступени, абразивный износ зубчатых зацеплений промвала редуктора подъемной лебедки экскаватора ЭШ 10/70.
Развитый дефект муфты, нарушение режима смазки подшипника электродвигателя ленточного конвейера В-1000.
Ж)
Jm \
ад J Ш0
Развитый дефект электрической природы -нарушение симметрии фаз генератора подъема экскаватора ЭКГ-10.
Рисунок 1 - Примеры спектров, содержащих признаки наличия семи основных групп дефектов энерго-механического оборудования горных машин
Figure 1 - Examples of spectra containing signs of seven major groups of defects in energy-mechanical equipment of mining machines
дратического значения виброскорости.
Главное отличие создаваемой модели от существующих прогнозных алгоритмов заключается в использовании в качестве моделируемых параметров большого числа ЕДК, разрабатываемых для диагностирования широкого спектра узлов энерго-механического оборудования горных машин, в числе которых синхронные и асинхронные двигателя, генераторы, подшипники качения, соединительные муфты различной конструкции, зубчатые передачи и т.д. Алгоритм создания универсальной модели включает в себя четыре основных этапа.
Первым этапом разработки достоверной краткосрочной прогнозной модели является сбор первичной диагностической информации, а также выбор, обоснование и нормирование критериев технического состояния, пригодных для выполнения оценки наличия и степени развития повреждений динамического оборудования и создания на их основе эффективных ЕДК. В рамках выполнения настоящего исследования в качестве критериев предельного состояния приняты следующие основные параметры:
-максимальные амплитуды групп информативных частот по параметрам виброскорости и виброускорения (здесь подразумеваются подшипниковые, зубчатые, лопаточные и другие частоты), а также флуктуация амплитуд соответствующих гармоник;
-общий уровень среднеквадратических значений (СКЗ) виброскорости и виброускорения в стандартном и расширенном частотных диапазонах;
-узкие частотные полосы или отдельные компоненты спектра, свидетельствующие о наличии повреждений однотипного характера (например, гармонические ряды нарушения жесткости системы [0,4fR...24 fRmJ или расцентровки двигателя с редуктором [fR... 4...6fJ)\
-размах виброперемещения в стандартном частотном диапазоне;
-мера подобия, определяемая по результатам сравнения характеристик вейвлет-преоб-разования и временной волны реального и «эталонного» сигналов;
-результаты нормирования параметров вибрации при помощи спектральных масок высокой степени детализации, разработанных для широкого спектра энерго-механического оборудования.
Разработка единых диагностических критериев, пригодных для оценки и прогнозирования изменения технического состояния по параметрам генерируемой вибрации каждого элемента
энерго-механического оборудования горных машин, является отдельной самостоятельной научной задачей. Очевидно, что из-за особенностей и ограничений на область применения каждого из существующих методов вибродиагностики [5, 8, 9], каждому набору диагностических параметров, на основе которого разрабатывается ЕДК для каждого конкретного элемента оборудования горных машин, будет присуща своя уникальность. Именно такой дифференцированный подход к методологии поиска единых критериев является одной из отличительных особенностей создаваемой модели, в то время как при разработке аналогичных моделей в качестве базового информативного критерия оценки зачастую используется только общий уровень СКЗ виброускорения или виброскорости в стандартном диапазоне частот.
Необходимым условием осуществления разработки эффективного ЕДК для сложной механической системы по параметрам генерируемой при её работе вибрации является анализ представительной выборки диагностических данных, полученных на однотипных объектах при их эксплуатации на штатных режимах. Такой анализ позволяет осуществить группировку дефектов обследуемого оборудования горных машин по базовым критериям технического состояния, выполнить классификацию диагностических признаков и их нормирование. В рамках проведения настоящего исследования удалось обобщить и формализовать более 120 базовых диагностических признаков, пригодных для выявления 7 основных групп дефектов энергомеханического оборудования горных машин (нарушение жесткости системы, нарушение соосности валов, неуравновешенность вращающихся деталей, дефекты подшипников качения, повреждения зубчатых передач, дефекты соединительных муфт, дефекты электрической природы - см. рис. 1). Основная часть признаков основана на результатах спектрального анализа параметров виброакустических волн (около 80 % от всей совокупности диагностических признаков). Кроме того, в общий комплекс входят результаты анализа с применением эксцесса, принципов выделения огибающей, анализа характеристики выбега, вейвлет-анализа параметров исходной волны.
Вторым этапом разработки краткосрочной прогнозной модели является выделение тренда детерминированной составляющей.
В условиях действующей на предприятиях ТЭК Кузбасса системы ППР наибольший интерес представляет решение задачи, связанной с
максимально эффективным выделением трендов детерминированной составляющей сигнала для выполнения краткосрочного прогнозирования. Классическая задача по отысканию тренда решалась с помощью использования алгоритмов разделения виброакустического сигнала на составляющие компоненты, которых на сегодняшний день разработано достаточно много [7, 8]. В рамках настоящего исследования использовалась проверка рядов данных на наличие тренда информативной составляющей по критерию Фишера. Рассматриваемая статистическая модель принималась адекватной в том случае, если рассчитываемая статистическая величина превосходит табличное значение коэффициента Фишера с учетом принятых степеней свободы и уровня значимости. Полученное уравнение регрессии основано на зависимости усредненных ЕДК от времени и позволяет осуществить расчет линии регрессии и границ доверительных интервалов, учитывающих величину разброса фактических значений ЕДК от линии регрессии. Границы доверительных интервалов были определены через дисперсию отклонения от линии регрессии:
-О (1)
где К - значение ЕДК в момент времени л; -детерминированная компонента ЕДК в момент времени л; п -число членов в ряду данных.
Третий этап разработки краткосрочной прогнозной модели заключается в реализации алгоритмов уточнения оборотной частоты и клиппирования исходных массивов данных.
Неотъемлемой составляющей прогнозной модели по параметрам механических колебаний является алгоритмизация процедуры уточнения оборотной частоты. Данная процедура хорошо изучена и активно используется при проведении исследований [8, 11, 12]. В рамках настоящей работы был использован алгоритм уточнения оборотной, наиболее оптимально подходящий для описания объектов диагностирования с неявным максимумом оборотной частоты, предложенный в работах [8]. Применение результатов работы такого алгоритма на практике способно значительно повысить точность проводимого анализа и эффективность нормирования спектрального состава полигармонических волн.
Создание ЕДК для каждого из типов дефектов включает в себя процедуру клиппирования, т.е. удаления из спектра всех «лишних» гармонических составляющих, напрямую не связанных с диагностическими признаками описываемых
дефектов. Таким образом, количество алгоритмов клиппирования должно соответствовать количеству потенциально возможных дефектов диагностируемого оборудования, т.к. алгоритмы разделения информативных составляющих по наличию дефектов различной природы основаны на удалении из спектра всех составляющих иной природы, по отношению к разрабатываемому ЕДК. Каждый такой алгоритм включает в себя формирование массива сглаженного (модифицированного) спектра с последующим обнулением составляющих, не имеющих отношения к типу разрабатываемого ЕДК. Так, например, при разработке ЕДК для диагностики подшипников необходимо подавить составляющие ряда оборотной частоты, а также гармонические ряды электрических, зубчатых и лопаточных частот, частот нарушения жесткости и дефектов соединительных муфт, субгармоники и обертоны перечисленных составляющих спектра. После осуществления подавления «лишних» составляющих необходимо произвести расчет результирующих диагностических критериев по общему уровню остаточных спектральных составляющих. Для этого определяется количество оставшихся значащих гармоник И, сумма квадратов данных величин умножается на коэффициент весовой функции, из полученного результата извлекается квадратный корень. Например, для выявления составляющих «зубцовой природы» данное выражение примет следующий вид:
V ,-=0 (2)
где К - результирующий диагностический критерий оценки зубчатой передачи; к - коэффициент весовой функции; 2ф - зубцовые частоты, связанные с частотой вращения через дробные коэффициенты.
Кроме того, процедуры клиппирования должны содержать в себе алгоритмическое решение задачи детектирования и удаления искаженных первичных диагностических данных. Появление искажений в исходных виброакустических характеристиках обычно вызвано несколькими причинами: погрешности интегрирования программного обеспечения, ошибки при установке датчика, дефекты соединений в системе «датчик - кабель - прибор», значительные ослабления фундамента работающего агрегата, низкая температура окружающего воздуха и ее резкие перепады и т.д. (см. пример на рис. 2). Для решения этих задач в работе использована операция модифицированного поэтапного клиппирования, предложенная в исследова-
300 600 900
f, Гц
Рисунок 2 - Пример искажения спектра, причиной которого является нарушение контакта в соединении «кабель-датчик» измерительного прибора (измерения проведены на редукторе лебедки подъема экскаватора ЭКГ-4У) Figure 2 - An example of spectrum distortion, which is caused by a violation of the contact in the "cable-sensor" connection of the measuring device (measurements were made on the reducer of the hoist of the excavator ECG-4U)
ниях [8], предусматривающая осуществление клиппирования модифицированного (сглаженного) спектра, проходящее в несколько этапов. Предложен оригинальный алгоритм обработки исходных данных, основанный на принципе автоматизированного исключения заведомо некорректных результатов измерений по результатам оценки меры сходства спектров и нормирования общего уровня сигнала и спектрального состава измеряемых характеристик.
Результатом реализации описанных выше алгоритмов является получение результирующего модифицированного спектра, представляющего собой сумму специфических (зубцовых, подшипниковых и др.) частот и компонентов, являющихся независимыми от частоты вращения вала.
Четвертым этапом разработки является получение аналитического и численного решения модели и графического представления результатов прогнозирования.
Точность прогнозирования с использованием адаптивных моделей можно повысить уменьшением периода прогнозирования при увеличении объема выборки экспериментальных данных. Данное условие полностью совпадает со спецификой действующей на предприятиях системы планово-предупредительных ремонтов (ППР), когда наибольшую значимость представляет решение задачи краткосрочного прогнозирования, не превышающего один или два диагностических интервала, что позволяет оценить вероятность безотказной работы до момента ближайшего ремонта.
Эффективность применения адаптивных методов для осуществления краткосрочного прогнозирования процесса деградации технического состояния сложных механических систем доказана работами отечественных и зарубежных исследователей [8, 11, 12], что является достаточным основанием для их применения в условиях системы ППР. Причем большинство исследователей рекомендуют использовать для осуществления краткосрочного прогноза именно адаптивные экспоненциальные модели [8, 13]. Главным недостатком существующих моделей является их узкая область применения и отсутствие результатов апробации на большом количестве конструктивных элементов агрегатов и механизмов горной техники.
Для решения задачи прогнозирования изменения процессов вибрационной активности, формирующихся при работе энерго-механиче-ского оборудования горных машин, необходимо осуществить динамическое моделирование величин единых диагностических критериев, основанных на группах базовых информативных частот, что является не в пример более сложным по сравнению с прогнозированием величины общего уровня виброакустического сигнала.
Простейшую адаптивную модель, описывающую изменение диагностического параметра, с течением времени можно представить в виде суммы прогноза на один шаг вперед и погрешности этого прогноза, умноженной на параметр экспоненциального сглаживания. Таким образом, для записи ряда параметрических данных, имеющего N членов, можно использовать
следующее выражение [8]:
= о. (3)
где 5 - прогноз технического состояния (изменения величины единого диагностического критерия); Бд - начальное состояние механической системы;а - параметр экспоненциального сглаживания, в=1-а; К - значение ЕДК в момент времени л.
Определенные затруднения при применении адаптивных методов вызывает выбор параметра экспоненциального сглаживания а, с ростом которого увеличивается значимость данных последних измерений диагностируемого параметра, но при этом плохо сглаживаются случайные колебания. Уменьшение а, напротив, ведет к лучшему сглаживанию кривой. Выбор величины параметра а обусловлен задачами моделирования. Исследования, выполненные автором в рамках настоящей работы, позволили рассчитать значение а для энерго-механическо-го оборудования электрических карьерных экскаваторов. Так, для генераторных групп экскаваторов типа мехлопата и драглайнов параметр а составляет 0,6; для остального оборудования экскаваторов (для работы которого характерно изменение частоты вращения приводного двигателя и значительные ударные нагрузки) данный параметр не должен превышать 0,3. Выбор и обоснование а для другого горного оборудования остается за рамками настоящей работы. В общем виде рекомендуемые значения а для единичных вычислений прогнозируемых параметров находятся в диапазоне д,1...д,3 [8].
Таким образом, обобщенный алгоритм краткосрочного прогнозирования включает в себя:
-выбор величины а (уникальной для каждого объекта диагностирования);
-определение параметра Б0 (в случае наличия большого количества априорных диагностических данных, полученных на однотипных объектах диагностирования, допускается использование усредненного ЕДК для данного типа дефекта);
-расчет матрицы величин Би, характеризующих прогноз изменения технического состояния технической системы по -му типу ЕДК;
-сравнение расчетных величин Би с нормируемыми параметрами ЕДК;
-формирование заключения о работоспособности механической системы на прогнозируемый временной интервал.
Анализ параметров вибрации, генерируемой при работе энерго-механического обо-
рудования горных машин, показал, что для осуществления достоверного прогнозирования наиболее эффективным является применение комплексного диагностического подхода, состоящего минимум из трех отдельных методов: спектрального анализа параметров виброскорости и виброускорения в расширенном частотном диапазоне, анализа огибающей спектра и эксцесса исследуемого сигнала. Таким образом, ЕДК, используемый для оценки технического состояния данного типа объектов, должен сочетать в себе как минимум эти три базовых диагностических критерия.
Алгоритм разработки ЕДК основан на принципе разделения объектов, находящихся на разной стадии развития дефектов, на различные группы. Для максимально эффективного описания ЕДК для каждой группы дефектов использовалось многомерное пространство диагностических признаков с применением принципов скаляризации [8, 14]. Задача по разработке ЕДК предусматривает создание семи базовых критериев, по одному для каждой группы дефектов энерго-механического оборудования горных машин (для дефектов подшипников качения и скольжения, нарушения центровки, нарушения жесткости системы, дефектов соединительных муфт, дефектов зубчатых передач, неуравновешенности вращающихся деталей, дефектов электрической природы). Кроме того, ряд критериев и признаков имеют существенные ограничения на область применения (например, использование эксцесса невозможно для оценки состояния подшипника первичного вала редуктора и т.д.), а само оборудование может работать на нетипичных, нештатных режимах (разгон/выбег, превышение максимальной нагрузки, ударные нагрузки и т.д.). На практике данная проблема может быть решена введением в расчеты нестационарного весового коэффициента, учитывающего влияние подобных условий работы оборудования.
Обобщая опыт ранее выполненных исследований [4, 9], можно заключить, что на сегодняшний день удалось разработать адаптивную модель и создать ЕДК для такого класса дефектов динамического оборудования, как нарушение соосности валопровода машинного агрегата. Результаты моделирования позволили получить графическую интерпретацию процесса деградации технического состояния объекта диагностирования, а также аналитическое и численное решение задачи прогнозирования. Объекты диагностирования, как и показали результаты прогнозирования, безаварийно отрабо-
79
тали по два интервала прогнозирования, что позволило без аварийной остановки оборудования осуществить необходимые мероприятия по ремонту и наладке, в результате чего повышенный уровень механических колебаний был устранен.
Таким образом, полученные в рамках настоящей работы научные результаты убедительно свидетельствуют об эффективности предложенной методики создания единых диагностических критериев, выбора способа выделения тренда детерминированной компоненты сигнала и создаваемой универсальной краткосрочной прогнозной адаптивной экспоненциальной модели. Дальнейшим этапом развития предложенной модели будет являться разработка алгоритма программного кода автоматизированной системы для диагностики и прогнозирования изменения фактического состояния энерго-ме-ханического оборудования горных машин.
Создаваемая математическая модель послужит неотъемлемой частью системы обслуживания техники по ее фактическому состоянию, которая предъявляет свои требования к наличию развитых программно-аппаратных средств и методов прогнозирования и контроля [5, 9]. Универсальность предлагаемой деградацион-ной модели заключается в возможности прогнозирования изменения состояния сложных механических систем, в состав которых входят самые разные по типу и конструкции узлы и агрегаты.
БИБЛИОГРАФИЧЕСКИЙ СПИСОК
Использование в качестве моделируемых параметров разрабатываемых ЕДК, основанных на результатах анализа вибрации, делает данную модель по-своему уникальной. Кроме того, осуществление перехода на систему обслуживания по фактическому состоянию невозможно без использования математических моделей, способных осуществить расчет прогноза изменения технического состояния по параметрам вибрации для широкого типового ряда горной техники, что является необходимым условием для максимально безопасной эксплуатации сложного и дорогостоящего оборудования, а также без наличия четко структурированной представительной базы данных по параметрам вибрации энер-го-механического оборудования горных машин [15]. Таким образом, результатами настоящей работы убедительно доказана эффективность использования созданных предпосылок для моделирования процессов деградации сложных механических систем. Предложенный подход к созданию деградационных моделей для оборудования угольной промышленности имеет весьма важное практическое значение и может быть использован для решения задач повышения безопасности проведения горных работ, оптимизации логистических издержек предприятий и минимизации аварийных простоев ответственного технологического оборудования.
1. Ещеркин П. В. Разработка методики диагностирования и прогнозирования технического состояния дизель-гидравлических буровых станков: автореф. дисс. ... канд. техн. наук. Кемерово. 2012. 18 с.
2. Bently D.E., Hatch C.T. "Fundamentals of rotating Machinery Diagnostics", Bently Pressurized Press, 2002, P. 726.
3. Rudloff L., Arghir M., Bonneau O., Guingo S., Chemla G., Renard E., "Experimental Analysis of the Dynamic Characteristics of A Hybrid Aerostatic Bearing" Journal of Engineering for Gas Turbines and Power, vol. 134(18) - 2012
4. Герике П.Б., Субботин А.Г Специфика анализа виброакустических волн, генерируемых при работе ще-ковых дробилок типа СМД // Вестник КузГТУ. 2014. № 6. С. 56-60.
5. Неразрушающий контроль: Справочник: В 7 т. / Под общ. ред. В.В. Клюева. М.: Машиностроение, 2005. Т. 7: В 2 кн. Кн. 2: Вибродиагностика / Ф.Я. Балицкий [и др.]. 829 с.: ил.
6. Четыркин Е. М. Статистические методы прогнозирования. М.: Статистика, 1977. 200 с.
7. Шпаков П. С., Попов В. Н. Статистическая обработка экспериментальных данных: Учебное пособие. М.: Изд-во Московского государственного горного университета, 2003. 268 с.
8. Сушко А. Е. Разработка специального математического и программного обеспечения для автоматизированной диагностики сложных систем: дисс. ... канд. техн. наук. М.: МИФИ. 2007. 170 с.
9. Герике П. Б. Применение вибродиагностики при проведении экспертизы промышленной безопасности оборудования обогатительных фабрик Кузбасса // Отдельный выпуск Горного информационно-аналитического бюллетеня: Промышленная безопасность и охрана труда. М.: Изд-во «Горная книга». 2012. № ОВ 6. С. 21-27.
10. V. Pozhidaeva. Determining the roughness of contact surfaces of the rolling bearings by the method of shock pulses. World Tribology Congress III, September 12-16, 2005, Washington, D.C., USA
11. Skeinik R., Petersen D. Automated fault detection via selective frequency band alarming in PC-based predictive maintenance systems. CSI, Knaxville, TN 37923, USA.
12. Liu G., Parker R. Dynamic Modeling and Analysis of Tooth Profile Modification for Multimesh Gear Vibration. Journal of Mechanical Design. 2008. Vol. 130. Pp 121402/1 - 121402-13. DOI: 10.1115/1.2976803
13. Краковский Ю. М. Математические и программные средства оценки технического состояния оборудования. Новосибирск: Наука, 2006. 227 с.
14. Лукьянов А.В. Классификатор вибродиагностических признаков дефектов роторных машин. Иркутск:
Изд-во ИрГТУ, 1999. 230 с.
15. Клишин В.И., Зворыгин Л.В., Лебедев А.В., Савченко А.В. Проблемы безопасности и новые технологии подземной разработки угольных месторождений. Новосибирск, 2011. 524 с.
REFERENCES
1. Yeshcherkin, P.V. (2012). Razrabotka metodiki diagnostirovaniia i prognozirovaniia tekhnicheskogo sostoiania dizel-gidravlicheskikh burovykh stankov [Development of diagnostics and forecasting methods for technical condition of diesel-hydraulic drilling rigs]. Extended abstract of candidate's thesis. Kemerovo [in Russian].
2. Bently, D.E., & Hatch, C.T. (2002). Fundamentals of rotating Machinery Diagnostics, Bently Pressurized Press, 726. [in English].
3. Rudloff, L., Arghir, M., Bonneau, O., Guingo, S., Chemla, G., & Renard, E., (2012). Experimental Analysis of the Dynamic Characteristics of A Hybrid Aerostatic Bearing". Journal of Engineering for Gas Turbines and Power, v. 134(18) [in English].
4. Gderike, P.B., & Subbotin, A.G. (2014). Spetsifika analiza vibroakusticheskikh voln, generiruiemykh pri rabote shchekovykh drobilok tipa SMD [Analysis specificity of vibroacoustic waves generated during SMD type jaw crushers operation]. Vestnik KuzGTU - KuzGTU Gerald, 6, 56-60 [in Russian].
5. Kliuev, V.V. (Eds). (2005). Nerazrushaiushchii control: Spravochnik [Nondistructive testing: Reference book], Moscow:Mashinostroienie. Book 2: Balitsky, F.Ya et al. Vibrodiagnostics [in Russian].
6. Chetyrkin, Ye.M. (1977). Statisticheskiie metody prognozirovaniia [Forecasting statistic methods]. Moscow: Statistika [in Russian].
7. Shpakov, P.S., & Popov, V.N. (2003). Statisticheskaia obrabotka eksperimentalnykh dannykh: Uchebnoie posobie [Statistical processing of experimental data: Textbook]. Moscow: Moscow State Mining University Publishing House [in Russian].
8. Sushko, A.Ye. (2007). Razrabotka spetsialnogo matematicheskogo i programmnogo obespecheniia dlia avtomatizirovannoi diagnostiki slozhnykh system [Development of special mathematical and programming software for automated diagnostics of complex systems]. Candidate's thesis. Moscow [in Russian].
9. Gerike, P.B. (2012). Primeneniie vibrodiagnostiki pri provedenii ekspertizy promyshlennoi bezopasnosti oborudovaniia obogatitelnykh fabric Kuzbassa [The use of vibrodiagnostics in industrial safety examination of Kuzbass coal washing plant equipment]. Otdelnyj vypusk Gornogo informacionno-analiticheskogo byulletenya: Promyshlennaya bezopasnost i okhrana truda - Special issue of Mining informational analytical bulletin: Industrial safety and labor protection. Moscow: Gornaia kniga [in Russian].
10. Pozhidaeva, V. (2005). Determining the roughness of contact surfaces of the rolling bearings by the method of shock pulses. World Tribology Congress III, September 12-16, 2005, Washington, D.C., USA [in English].
11. Skeinik, R., & Petersen, D. Automated fault detection via selective frequency band alarming in PC-based predictive maintenance systems. CSI, Knaxville, TN 37923, USA
12. Liu, G., & Parker, R. (2008). Dynamic Modeling and Analysis of Tooth Profile Modification for Multimesh Gear Vibration. Journal of Mechanical Design. 2008. V. 130. Pp 121402/1 - 121402-13. DOI: 10.1115/1.2976803
13. Krakovsky, Yu.M. (2006). Matematicheskiie i programmnyie sredstva otsenki tekhnicheskogo sostoiania oborudovaniia [Mathematical and software methods of equipment condition evaluation]. Novosibirsk: Nauka [in Russian].
14. Lukianov, A.V. (1999). Klassifikator vibrodiagnosticheskikh priznakov defekrov rotornykh mashin [Classifier of rotary machine defects vibrodiagnostic features]. Irkutsk:IrGTU [in Russian].
15. Klishin, V.I., Zvorygin, L.V., Lebedev, A.V., & Savchenko, A.V. (2011). Problemy bezopasnosti i novyie tekhnologii podzemnoi razrabotki ugolnykh mestorozhdenii [Safety problems and new techniques of underground coal mining], Novosibirsk [in Russian],
на правах рекламы
