上接：离心泵维护‖基于状态的维护改进离心泵维护计划的实例研究（上）。
3.3 比较两种方法并确定差距
在理解了被提议为“最佳实践”的方法和行业中使用的方法之后，对两者进行了比较和分析，以确定需要改进的地方。这些是：
1）由于在CPs运行的初始阶段没有使用CBM，因此某些组件的初始基线数据缺失。
2）某些部件的故障振动频率缺失，因此在这种情况下，此类故障直到为时已晚才被发现。
3）虽然数据用于创建警报限值，该限值规定了CPs组件的维修或更换点，但它们并未进一步用于故障预测和维护计划。
3.4 设计实验研究以缩小差距
随后设计了一个实验程序，以便收集适当的数据并验证最佳实践方法。影响实验试验规模的因素列于表1中。其它不影响实验次数但被考虑的因素包括线数、分辨率、频率跨度和窗口类型。
测试过程分两个阶段进行。第一阶段测试了CBM方法在某个时间点检测单个故障的能力。该系统被设置为五种不同的配置，每种配置由单个故障组成。每个故障设置被标记为未知故障1-5。第二阶段测试了CBM方法检测系统内多种故障的能力，这在行业中并不少见。该系统设置为三种不同的配置，每种配置由多种故障组成。此外，程序中还包括对系统在“良好工作状态”下的基线测试。
这导致收集数据的系统总共有9个设置（包括一个基线设置和8个故障设置）。考虑运行速度、测量方向和重复次数等因素，为收集数据而进行的试验总次数计算为：
3个重复x 3个测量方向x 3个运行速度x 9次试验 = 243次试验。
3.5 收集数据并分析结果
为了收集测试数据，使用了一个实验测试装置，即机械故障模拟器（MFS）。对于这个实验装置（类似于工业上的实际泵装置），对MFS系统进行了修改。为了进行这项研究，加速度计通过磁铁安装在轴承中心线的水平和垂直位置，以感知径向力产生的振动。在轴向力振动的情况下，加速度计被放置在轴向。VibExpert II数据分析仪用于从试验台收集数据并传输到PC。数据收集过程使用OMNITREND软件（Pruftechnik, 2017）。
3.6 案例研究应用
该程序随后被应用于建立一个实际案例研究的P-F曲线。数据是从一家合作公司获得的，涉及两台消防水泵A和B的电机轴承，其中泵A是备用泵，除非另行打开，否则保持不活动状态。这种类型的检查使用振动分析技术来测量电机A和B在一段时间内的均方根速度。泵的运行速度为3,500转/分。利用实际RMS速度数据，通过MFS系统检测电机轴承的实验RMS速度数据，绘制P- F曲线以确定潜在故障点（P），从而确定P- F间隔。
对结果进行了收集和分析，以评估CBM方法对故障分类的有效性。
4. 结果及发现
4.1 故障分析
根据Pareto分析，发现最严重和最频繁的故障模式是振动、过热、外部泄漏流程介质、无法按需启动和假停机。因此，FMECA进一步分析了这五种故障模式。根据FMECA，故障的最关键原因是不对中、不平衡、轴承缺陷、汽蚀和机械松动。
4.2 异常故障测试
获得并分析了在每个工作转速下在三个垂直方向上测量获得的振动谱。计算了与轴承和齿轮箱故障有关的故障的关键频率，并将它们的存在用作系统中特定类型故障的指示。
图5和图6显示了其中的一些结果。对于25Hz的工作转速，图5中的振动频谱显示1X、2X和3X处的高轴向振动，表明角度不对中。在较高的运行转速下，机器往往会产生更强的振动。当系统在40赫兹和55赫兹下工作时，情况也是如此。频谱显示RMS速度在1X时从4.88 mm/s增加到5.64 mm/s，随后出现小的2X和3X峰值。
在 25Hz 工作转速下进行垂直测量的振动谱，显示了内圈缺陷频率 （BPFI） 及其倍数，以及外圈缺陷频率（BPFO）的四倍。这表明轴承的内圈和外圈存在缺陷。在40Hz的工作转速下，有滚动体缺陷频率（BSF）及其倍数在径向的振动谱上可见。在55 Hz的工作转速下，有滚动体缺陷频率及其倍数在径向的振动谱中也可见。
测试和验证的第一阶段调查了单个故障的测试。表2列出了这些测试的结果。利用均方根（RMS）速度和快速傅里叶变换（FFT）分析对故障进行诊断。该表列出了预测故障和真实故障，以便进行比较。结果显示，此阶段测试的总分类准确率为 100%。
4.3 多重故障测试
第二阶段的测试涉及在一次运行中最多四个故障的组合。分类准确率达67%。
值得注意的是，在发现组合中的其它故障的情况下，未发现的两种故障是不对中和风扇叶片故障。从测试的第一阶段和第二阶段来看，最终的总体分类准确率为76.5%。
4.4 P-F间隔的确定
故障诊断后的关键步骤之一是利用机器状态协变量数据来帮助故障预测和维护计划工作。为了说明这是可能的，从CPs运行中收集了十二个月的振动状况数据。泵的运行转速为3,500 rpm。
为了开发所需的P-F曲线，需要基线和故障情况读数。由于仅在泵运行几年后才开始对CPs系统进行振动分析，因此没有存储与“良好运行工况”相关的精确振动读数。振动读数的数据记录没有针对“轴承滚动元件故障情况”进行规定。为了获得P-F曲线的数据，MFS设置为在3,500 rpm（与行业中的CPs相同的运行转速）下运行，并在“良好运行工况”和“轴承滚动元件故障情况”下观察到振动情况读数。这些读数绘制在图7所示的P-F曲线上。
理论基线和故障情况读数叠加在从组织获得的趋势数据上。基线情况和故障情况是从实验研究中获得的，以及该公司的预计基线和机器故障情况。尽管这些值很接近，但是存在细微差异，如图7所示。
这些差异可归因于运行工况的差异，因为MFS在相对受控的环境中产生的值与工业环境相反。该公司使用的电动泵系统有不同的规格和容量，运行环境本身也不同。从公司数据中观察到的一般基线读数为1.1 mm/s。这比实验研究中发现的0.96 mm/s大0.14 mm/s。
从组织数据中发现，轴承滚动元件故障的机器故障振动值为1.55 mm/s，而理论测试结果为1.44 mm/s。根据绘制的一般曲线，注意到轴承滚动元件故障的劣化情况始于1.12 mm/s。这被视为潜在失效点P，因此P-F间隔计算为5个月。这意味着，从这个潜在的故障点P开始，公司就可以计划在适当的时间间隔内进行维护检查，以避免对轴承进行纠正性维护。
根据经验，在某些情况下，检查间隔被用作P-F间隔的一半或三分之一【例如，Blann（2013）和Moubray（1997）】。结果表明，组织应每两到三个月对轴承进行一次检查。目前，检查是每月进行一次。考虑到检查的成本，可能会节省潜在的成本。
5. 结论
文献中已经充分报道了应用CBM最佳实践方法的好处。尽管情况确实如此，但由于该方法的应用不当，许多公司未能实现这些好处。本研究旨在调查当CBM方法应用于CPs时，故障诊断和维护计划的改进。最初，从文献中确定了最佳实践方法的步骤，并与适用于海上生产平台上消防水系统中使用的一组CPs步骤进行了比较。随后，发现了差距，并设计和实施了一个实验程序来填补这些差距，说明了全面应用该方法的适用性和好处。
尽管CBM数据是由组织收集的，但其分析方式并不总是有助于有效的故障诊断和维护计划。实验测试产生的数据将有助于CPs的预后决策的故障诊断能力。
对于单一故障的故障诊断，故障分类准确率（FCA）为100%，对于多种故障组合，故障分类准确率为67%，总体分类准确率为76.5%。此外，还获得了FWP电机的P-F曲线，从中获得了P-F间隔为6个月。这可能用于计划电机的维护活动。应该注意的是，分类的准确性是基于本研究中进行的试验数量，即每种故障进行三次试验。
所开展的工作介绍了几个关键的创新点：
1）使用两种故障分析技术，包括Pareto技术和FMECA，以确定最常见的故障模式并对这些故障的严重程度进行排序。尽管故障分析技术在过去得到了广泛的应用，但Pareto和FMECA的结合被证明可以适当地确定大量故障的范围，并允许集中实验测试程序，同时保持CBM方法的有效性。
2）该方法分两个阶段进行了测试。第二阶段包含了多种故障组合，这使得对所进行的工作有了更真实的描述。
3）该方法独特地结合了理论数据和实际收集的行业数据来绘制P-F间隔曲线，这可以帮助公司以更基于证据的方式计划维护。
4）虽然目前的方法代表了一种实用的P-F间隔估计方法，但该方法最适合P-F间隔故障不确定性可以忽略不计的情况。应该注意的是，当这种不确定性不能被忽视时，可以使用替代方法，例如将比例风险建模（PHM）与协变量数据和延迟时间模型相结合。
使用其它振动分析技术，如相位分析和轨道分析，可能会将分类精度从76.5%显着提高。因此，未来的工作可以研究：①在其它类型的泵、涡轮机或发电机故障诊断中使用振动技术的组合；②在泵维护中使用油品和声学分析；以及③泵汽蚀中的振动和流态。
