（中国石油天然气股份有限公司乌鲁木齐石化分公司检维修中心电气二车间新疆乌鲁木齐830000）
摘要：电动机在正常运行状态及故障检测状态，都会发生振动现象。而振动速度、振动加速度、振动位移是电动机运行状态检测的重要来源。因此，本文根据石油天然气企业电动机基础情况，结合电动机振动数值计算流程，构建了一个基于LabVIEW的AR自回归模型模型，通过对感应电动机振动数值的预测分析，介绍了电动机振动特性，阐述了电动机振动故障判定方法，以期为石油天然气企业电动机稳定运行提供有效的借鉴。
关键词：电动机；振动；数值；预测
前言：某石油天然气企业生产厂机组配置了两台6000V轴瓦空压电机，其中一台轴瓦电机为备用。该轴瓦电机为卧式安装，主要为汽轮发动机组辅助设备，通过将凝气设备中凝结水加压，经低压加热器传输到氧气去除模块。轴瓦电机驱动电动机功率为300kw，转速为2600r/min，泵端轴承型号为SKF6336，自由端轴承型号为SKF7445。本文对该轴瓦卧式电动机振动数值进行了预测分析。
一、电动机振动数值计算流程
电动机电磁振动主要是在电磁力的驱动下，通过定子齿振动引起的整体电动机振动。因此，在电动机振动数值计算过程中，首选需要对定子齿表层电磁力数值进行计算。在具体操作过程中，由于现阶段调速电动机大多为变频器供电模式，而变频器内部电流具有不同类型的谐波。因此考虑到电流谐波与电磁振动之间的联系，可利用电流传感器对电机三相电流进行测量。随后将实测电流信号数值纳入电磁力有限元模型中。即依据石油天然气企业空压电动机振动检测标准，在定子齿表层设置振动监测点。
其次，根据检测数值，构建基于电磁力计算的电磁有限元模型[1]。为了避免电动机端部效应对整体计算结果的影响，在实际计算过程中，可利用LabVIEW构建AR自回归模型假定电磁力与电动机轴运动方向一致，随后逐步扩展AR自回归模型，最终形成完整的电动机三维电磁力模型。
最后，通过电动机三维电磁力模型倒谱等效分析，可得出具体电动机振动试验结果。
二、基于LabVIEW的电动机振动数据收集
1.石油天然气企业空压电动机振动检测标准
石油天然气企业空压电动机振动评测主要包括测量参数、测量仪器、测点布置、测试设备类型、测试技术要求等几个模块。依据《石油天然气企业空压电动机振动标准》（SHS01003-2004）的相关规定，石油天然气企业空压电动机壳表面振动频率应在10.0-1000.0Hz之间。
2.电动机振动监测点布置
石油天然气企业空压电动机振动监测点大多布置在电动机主轴承，或者电动机主轴承座上，沿电动机轴向、径向两个方向进行均匀测量。由于石油天然气企业空压电动机为卧式安装，在振动检测环节，可采用美国BENTLY企业生产的508型振动数据采集分析仪，对相关监测点进行实时综合测量。振动信号主要采用就地布置的bently9300W振动传感器测量振动信号，以光电信号接入的方式，利用ADRE软件对电动机振动数据进行全面分析。
在具体振动检测点设置过程中，为了保证电动机数据检测的稳定性，可以瓦振为主要负荷工况检测方式。同时对测量瞬态运行工况进行合理检测。而对于已知振动故障点，可进一步加大振动监测密度，以保证监测数据的全面、真实性。
3.基于电流谐波的电磁力特征分析
基于现阶段电动机变频供电的特点，实际电动机振动谱带并不是理想状态的正弦波。即电流中大量电流谐波的存在对电动机振动状态造成了一定影响[2]。因此，在电动机振动监测点合理布设的基础上，可利用电流钳进行电流信号收集。在电动机转速为2600r/min时，其负载扭矩为2.5N*m，则电动机电流谐波主要包括低频电流谐波、高频电流谐波两种。其中低频电流谐波主要为幅度较大的7f次电流谐波，而高频电流谐波则为开关频率谐波，为8500Hz。假定电流谐波频率为F，幅度为I，相位为M，则电流谐波下电枢反应磁场产生的径向磁通密度为F+IF，即电流谐波产生的主要电磁力频率特征为F+IF。
三、基于电动机振动数值预测的故障诊断模型构建
1.基于AR自回归模型的功率谱估计
基于AR自回归模型功率谱估计主要是通过白噪声输入、激励线性系统输入，代表广义平稳过程。并根据已知广义平稳过程对电动机振动数值进行预估分析。在AR自回归模型构建前期，可假定所观测电动机振动数值为均方误差为0的零均值白噪声序列，其与线性离散不变时间系统之间的关系可用差分方程式进行表示。即已知广义平稳过程=AR（p）。其中P为AR自回归模型阶数。
在实际电动机振动功率谱计算过程中，若观测到数据为平稳过渡，则整体自回归系统输入阶数默认为平稳。据此，依据线性系统与平稳随机信号相应理论，可得到电动机振动观测数据功率谱为：AR（p）2.
表1电动机振动数值实测表
2.参数提取算法
如表一，通过对电动机振动观测数据功率谱模型开方求平均数学期望，可得出所观测电动机振动数据自回归模型参数与自相关函数间具有某种联系。即若P阶AR模型输入相关函数具有递推性质，则可在极短时间内通过对AR模型行谱估计得出电动机振动预测数值。即（x（0）、x（1）、x（2）...x（p））*（1、a1、a2...ap）=（02、0、0...0）
上式中x为振动信号，p为AR自回归模型阶数，a为AR自回归模型系数，0为AR模型分析后系数功率谱。在已知AR自回归模型参数与自相关系数的情况下，可得到电动机信号功率谱估算系数，从而得出最终功率谱估测值[3]。
3.基于AR自回归模型的信号倒谱分析
以电磁力集中在开关频率周边电磁力频率分析为例，在电磁谐波电磁力特征一定的情况下，可以通过与频率电磁力对应电磁谐波来源反推，得出系统电磁力振动频率。同时由于电动机在振动过程中，极易受到自身非平稳或者其他因素干扰，致使整体电动机振动谱带上出现频率模糊不明的情况，对于整体电动机振动数值预测造成了不良的影响。因此为了确定电动机系统真实状态及振动信号故障特征频率，依据电动机非平稳升速环节特征，可在常规电动机频谱分析方式的基础上，构建基于AR自回归模型的信号倒谱分析体系。即针对电动机振动信号x进行自回归误差预测。并通过对振动信号进行自回归模型分析后系数功率谱进行适当改写。如选择预测后最优AR自回归模型阶数为35，则在优化后振动信号倒谱上可出现较为突出的两条谱线。通过对具体倒谱频率的观测记录，可确定最终电动机振动频率数值。据此，在基于AR自回归模型的故障频率倒谱分析过程中，可依据理论滚珠故障频率数值，结合AR自回归模型，确定内圈故障频率，进而为后期电动机振动故障频率确定提供依据[4]。
总结：
综上所述，在实际石油天然气电动机运行过程中，振动数值分析频带的选择，直接影响了数据预测结果。由于电动机现场工作环境、采集设备等多种因素的影响，电动机振动数值预测难度较大。因此，为了提高电动机振动数值预测效果，可采用LabVIEW软件进行AR自回归模型构建。从阶次预测、系数预测、功率倒谱变换三个方面，对石油天然气电动机运行数据进行合理评估，从而为石油天然气电动机故障类型及运行状态分析提供准确的数据支持。
参考文献：
[1]钟庆.卧式轴瓦电机电动机振动故障的诊断与处理[J].石油天然气技术与经济，2015（4）：51-53.
[2]董学刚，谭东杰，李柏松，等.输油泵电机振动故障诊断及处理[J].油气储运，2016，35（2）：189-191.
[3]夏剑峰.某电厂2号机组大修后振动监测及动平衡处理[J].内蒙古石油天然气，2015（15）：85-86.
[4]阮万江.石油天然气电动机振动分析及检修应用[J].油气田地面工程，2017，36（4）：64-66.