預測性維護：離心泵維護方式的未來
2021-03-11 10:25:22力士霸泵業(yè)
手機掃一掃
作者：謝小青1 孫衛(wèi)平2
1. 上海電氣凱士比核電泵閥有限公司
2. 中國船舶重工集團公司第704研究所
摘 要：一臺設計制造精良的高品質產品，如果得不到適當的維護，那么在其整個生命周期內的故障率將大大增加。文章將結合工程實際應用經驗，就離心泵維護方式的現狀及未來進行探討，并給出個人建議，僅供廣大用戶參考。
關鍵詞：離心泵 維護 現狀 未來
0. 引言
一臺設計制造精良且完全滿足現場運行工況要求的高品質產品，如果得不到適當的維護，那么在其整個生命周期內故障的頻率將大大增加，而零部件的使用壽命則大大降低。
本文將結合工程實際應用經驗和現代科技的發(fā)展，從常見的現場維護著手，就離心泵維護方式的現狀及未來進行探討，并給出個人建議，供廣大用戶參考。
1. 常見的維護方式
離心泵常見的維護方式有三種：反應式維護、預防性維護和預測性維護。
設備已經失效，進行事故后維護。傳統的維護方式多為反應式維護。
1.2 預防性維護
通過采取適當的措施（如提高強度、加強檢測等），以防止設備發(fā)生故障。預防性維護還包括各種定期維護，如設備對中、軸承潤滑及儀控儀表的檢查等。
預測性維護是指使用數據、機器學習技術和統計算法來預測系統最可能發(fā)生的故障結果。分析監(jiān)控裝置收集的設備數據，例如傳感器（有線或無線），以便就何時應更換或維護指定的零部件提供一致的預測，從而優(yōu)化維護成本和停機時間[1]。
預測性維護是基于狀態(tài)的維護的一個分支，即通過監(jiān)測設備隨時間而變化的狀態(tài)，以預測何時、何處可能出現問題以及為什么。在產品出現故障、意外停機之前對產品進行維護，這是制造業(yè)所追求的終極目標。
2. 維護方式的確定
不同行業(yè)、不同工況用泵的維護方式不盡相同。
維護方式主要由泵（在系統中）的重要程度及價值、用戶或市場要求等因素決定的。泵的重要程度通常按以下情況來劃分。
1）如果該泵發(fā)生故障，可能會造成一定的經濟損失，如生產線停工、泵部分零部件損壞（和/或備件交貨期較長）。
2）現場無人看管或看管不便（如海上平臺用泵、野外輸油泵站等）。
在一些不重要的工況中使用的泵，如普通農用泵等。
對于重要、較重要用泵或有特別要求的泵（及系統），通常要進行重點關注和特別維護；而對于非重要用泵，通常只進行相對簡單的維護、甚至不需要維護。
以下將就重要、較重要用泵或有特別要求的泵（及系統的）維護方式進行探討。
3. 維護方式的現狀
目前，我國離心泵維護方式基本上為兩種：反應式維護和預防性維護。反應式維護主要針對一些普通的、沒有安裝監(jiān)測裝置的非重要用泵上，如：普通農田灌溉和排澇用泵、冷卻循環(huán)水泵等。
在石化行業(yè)的實際工程應用中，對于很多重要用泵（如高溫、高壓、高速泵，執(zhí)行API 610標準[2]，以下簡稱“標準”），通常通過提高強度及可靠性、增加機械保護系統、加強定期日常維護的方式來達到預防性維護。具體措施如：
1） 提高強度及可靠性
標準條款6.3.3 壓力泵殼應設計成：
a) 在同時承受最大允許工作壓力（及最高工作溫度）和表5中列出的作用到每個管口上兩倍允許管口負荷的最壞組合情況下，做到運轉無泄漏或旋轉部件與靜止部件之間無接觸。
b) 經得住水壓試驗。
標準附錄K.1：給出了OH2和OH3型懸臂式泵的軸剛性的判定原則以及撓性系數L3/D4與泵尺寸因子的關系圖。
撓性系數是轉子剛度的度量標準。對于某一尺寸因子的懸臂泵，如果其撓性系數位于剛性線之下，則表明該泵為剛性軸設計，滿足API泵要求，是安全的；L3/D4越小，轉子撓度越小，這有利于提高機械密封的可靠性。如果L3/D4太大，特別是在接近泵關死點位置運行、水力徑向負荷過大的地方，可能會造成斷軸的風險。
如何提高產品的可靠性？這里有一些指導性原則[3]：
盡量采用經過驗證的成熟的技術。
盡可能簡化結構，減少零件數量。
盡可能采用標準化、模塊結構。
設置故障監(jiān)測和診斷裝置。
給出適當的設計裕度。
必要時采用冗余設計。
失效安全設計。
加強重要零部件的可靠性分析。
進行可靠性確認試驗。
2） 機械保護系統
隨著傳感器技術的發(fā)展、設備運行數據采集的使得，預防性維護便成了目前最普遍的一種維護方式。
為了提高運行可靠性，在一些重要用泵（組）上，均裝有（感知、測量、監(jiān)測和顯示機器參數以表明其運行狀態(tài)的）機械保護系統，如軸承溫度監(jiān)測、軸承座或泵軸振動監(jiān)測等。當一個參數超過預先定義的限值、表明出現異常情況時，系統會將事件傳達給操作人員和/或停機系統。該系統的目標是減輕對機器的損壞。
注：此處涉及的條款、表及圖號均指API610第11版標準所對應的條款、表及圖號。
3） 定期維護
定期維護可以延長泵的使用壽命。當泵得到正確的維護時，需要更換的零部件通常是較便宜的易損件。以下為重要用泵的定期維護計劃示例，見表1。
表1. 定期維護計劃示例（試運行/啟動后或備用狀態(tài)時）
對于一些重要、較重要或有特別要求的離心泵（及系統），國內外均普遍采用預防性維護。但也有不少泵公司開始在離心泵上嘗試進行預測性維護。現階段，預測性維護都是以傳感器提供的實時和大量歷史數據作為依據。
1） 德國KSB公司
德國KSB公司2018年底推出了一款結構緊湊、安裝方便、被稱為“KSB Guard”的新型監(jiān)控裝置，容納了溫度和振動兩種監(jiān)測。該裝置包括三個組件：傳感器單元（采集數據）、變送器和電池單元（通過電纜與傳感器單元連接，并向傳感器供電）、網關（使用無線連接，將記錄的數據發(fā)送到網關）。
KSB Guard不僅限于能提供當前溫度和平均振動速度值，還可以顯示趨勢。由于每小時進行一次測量（或者如果需要，則可以更頻繁地進行測量），從而能夠識別泵狀態(tài)的任何變化、進行預測維護。
2） 美國Flowserve公司
開發(fā)了基于網絡的軟件程序 - IPS觀察平臺和Flowstar.net，可以實現：通過簡化的示意圖查看性能狀態(tài)；監(jiān)控實時設備性能；進行預測分析；基于事實和可證實數據的糾正措施建議；回顧設備歷史信息；管理設備更換、維修、保養(yǎng)、調整的時間及成本等。
3） 挪威Framo公司
2018年，Framo公司為Aker BP公司提供的用于Ivar Aasen油田的智能海水提升泵，基于傳感器提供的大量實時監(jiān)測數據，在工業(yè)AI軟件公司Cognite算法的支持下，可以預測設備的狀況、預見未來泵將發(fā)生的情況，從而增加泵的正常運行時間，并對其進行預測性維護。
4. 維護方式的未來
隨著預測分析軟件、無線傳感器、大數據、云計算以及其它信息技術的不斷進步，加上中國制造2025（互聯網+制造）的日益普及，正在推動著工業(yè)世界進行一場深刻的變革，傳統的離心泵行業(yè)也開始變得不平靜。這些技術拓寬了實時性能監(jiān)測和機器對機器通信的范圍，同時反過來又支持了預測性維護方法的發(fā)展。預測性維護將成為一種趨勢，并最終會成為維護方式的未來。
預測性維護需要設備實時數據和大量歷史數據的支撐，而數據的獲取離不開各種傳感器，狀態(tài)監(jiān)測系統便應運而生。
狀態(tài)監(jiān)測系統：一種測量指定機器過程參數和預測趨勢的系統。提供報警、顯示和分析工具，用于檢測和識別發(fā)展中的故障。允許繼續(xù)監(jiān)視檢測到的故障以確定其傳播和嚴重性。也可用于管理機器的運行狀態(tài)，以減少因發(fā)展中的故障而產生的意外停機。狀態(tài)監(jiān)測系統的目標是最大程度地提高可用性，同時降低運營和維護成本。
過去，從離心泵及其驅動設備上收集數據需要花費大量的時間。隨著傳感器及互聯網技術的發(fā)展，無線傳感器應運而生，實時體現設備運行狀態(tài)的數據收集變得越來越簡單且自動化。離心泵的運行狀態(tài)可以通過監(jiān)測到的許多跡象來評估。
離心泵最常見的問題是軸承故障、軸封失效和性能不足。軸封失效可能的根本原因是軸偏轉或泵振動；而造成軸偏轉或泵振動的原因可能是不對中、松動、汽蝕、軸承故障和/或潤滑不良。軸承故障最明顯的反應是軸承（或潤滑油）溫度偏高、軸承座振動偏大。
為此，可以通過對軸承（和/或潤滑油）溫度、軸承座（或泵軸）振動、泵的流量和/或揚程（壓力）等進行監(jiān)測及數據收集，來評估泵的運行狀態(tài)。
美國水力協會ANSI/HI 9.6.9-2013標準[4]給出了設備典型監(jiān)測控制系統和典型定速泵的狀態(tài)監(jiān)測裝置示意圖，分別見圖1和圖2。
圖1 設備典型的監(jiān)測控制系統示意圖
圖例說明：
#1 密封泄漏監(jiān)測
#2 泵出口壓力監(jiān)測
#3 泵進口壓力監(jiān)測
#4a 軸承箱振動速度監(jiān)測
#4b 軸承溫度監(jiān)測
#5 功率監(jiān)測
#6 流量監(jiān)測
#7 轉速監(jiān)測
#8 泵進口溫度監(jiān)測
圖2 典型定速泵狀態(tài)監(jiān)測示意圖
目前，盡管很多組織（如用戶、設備制造商/供應商、工程公司等）跟蹤、收集了大量的設備運行數據，但卻很少有效地使用這些數據。
基于歷史及實時獲取的運行數據來預測設備（零部件）剩余壽命的方法通常有兩種：基于老化/磨損的預測方法和直接壽命預測方法[5]。
1）基于老化/磨損的預測方法
通過對一臺或多臺類似泵（或類似部件）的老化/磨損過程的觀察，以對未來的老化路徑進行回歸，直至滿足規(guī)定的故障標準。該方法采用的是統計模型，可從觀察到老化/磨損隨時間的演變，然后將預測的老化/磨損狀態(tài)與故障標準進行比較，估算出剩余壽命。
與直接壽命預測相比，基于老化/磨損的預測方法提供了更多信息和更透明的結果。然而，基于老化/磨損的預測需要確定老化/磨損指標和確定故障閾值，這在實際工程應用中實施起來有些困難，尤其是在老化/磨損軌跡不規(guī)則的情況下，可能會引入很多不確定性和誤差源。
2）直接壽命預測方法
該方法是典型的人工智能技術，通過軟件中設定的算法來直接反映監(jiān)測數據與剩余壽命之間的關系。
用戶/設備制造商/供應商不再依賴數據專家來對所收集的實時和歷史數據進行分析、比對，可直接應用（包含專家系統及特定算法的）預測性維護系統對設備進行跟蹤，分析并評估設備及其在整個運行過程的健康狀況。
在發(fā)生不可逆的故障或停機之前得到準確的診斷、優(yōu)化零件的更換或大修間隔時間、提高設備運行可靠性/可用性并延長設備壽命。還可根據實際情況或需要，優(yōu)化設備運行方式、提高運行效率、降低運營成本。同時，系統將根據診斷結果的重要程度，對維護和操作人員的操作進行優(yōu)先排序，并給出糾正措施的建議[6]。
現階段，離心泵最佳的維護方式是預防性維護和預測性維護相結合。
隨著技術的不斷發(fā)展、機器學習技術的應用，未來，預測性維護將會變得越來越準確。
5. 面臨的困難及挑戰(zhàn)
現階段，預測性維護所面臨的困難及挑戰(zhàn)主要有：
高昂的開發(fā)成本為預測性維護系統的推廣和普及帶來了一定的困難。
2）缺乏經驗及歷史數據
由于缺乏足夠的運行經驗及設備大量歷史運行數據，無法在較短的時間內開發(fā)出較準確的預測性維護系統。目前，國內外同行均還處于探索階段。
3）分析軟件（算法）人才短缺
算法是預測性維護系統的核心，國內外目前比較缺乏這方面的人才。
目前，國內外基本上都是通過泵（組）振動的發(fā)展趨勢來預測軸承或機械密封的壽命。但引起泵（組）振動的因素卻很多（如轉子不平衡、軸發(fā)生彎曲或變形、動/靜零部件發(fā)生摩擦、零部件老化/磨損、泵組靠近臨界轉速運行、零部件松動或損壞、潤滑不良、汽蝕、泵偏離高效區(qū)運行等），如何從眾多因素中總結出一種科學合理的算法、使得相關零部件的預測壽命與實際使用壽命較接近，這是實現預測性維護所面臨的最大挑戰(zhàn)。
4）大企業(yè)自行統籌考慮
由于很多大企業(yè)設備、系統眾多，通常會統籌考慮、自行設計或委外或聯合開發(fā)一套監(jiān)測及維護系統。
5）科技水平及安全問題
許多工廠都有大量的狀態(tài)監(jiān)測數據，但由于設備采購時科技水平的局限或出于保密或安全考慮，這些數據沒有（提供給泵制造商）對變化率、診斷或預測進行分析，沒有轉化為增強的故障診斷、識別及剩余壽命的預測。
6. 結論
1）預測性維護將成為一種趨勢，并最終會成為維護方式的未來。
2）預測性維護需要實時和大量歷史數據的支撐。
3）現階段，離心泵最佳的維護方式是預防性維護和預測性維護相結合。
參考文獻
[1] David Kimera, Fillemon Nduvu Nangolo, Predictive maintenance for ballast pumps on ship repair yards via machine learning, Transportation Engineering 2 (2020) 100020
[2] ANSI/API STANDAED 610 'Centrifugal Pumps for Petroleum, Petrochemical and Natural Gas Industries', ELEVENTH EDITION, SEPTEMBER 2010
[3] 半畝田，對可靠性設計的認識，www.91zhiliang.com，91質量網，2016-4-26
[4] ANSI/HI 9.6.9-2013, Rotary Pumps – Guidelines for Condition Monitoring, American National Standard
[5] Amin Almasi, Predicting Remaining Useful Life of Pumps & Their Key Components, pumpsandsystems.com, 03/23/2020
[6] Simon Kampa, A Smart Future for Machine Predictive Maintenance, pumpsandsystems.com, September 3, 2019
- 上一篇:20種泵的性能差異分析，最直觀的選型經驗指導！
- 下一篇:12個影響泵壽命的因素